糖尿病视网膜病变中的单域泛化：一种神经符号学习方法

域泛化仍然是医学成像中的一个关键挑战，在单一源上训练的模型往往在现实世界的分布偏移下失效。我们提出了 KG-DG，一个用于糖尿病视网膜病变（DR）分类的神经符号框架，该框架将视觉 Transformer 与专家指导的符号推理相结合，以在未见域之间实现稳健泛化。我们的方法通过结构化的、基于规则的特征和视网膜血管分割利用临床病变本体，并通过置信度加权整合策略将它们与深度视觉表示融合。该框架通过最小化域嵌入之间的 KL 散度来解决单域泛化（SDG）和多域泛化（MDG）问题，从而强制对齐高级临床语义。在四个公共数据集（APTOS、EyePACS、Messidor-1、Messidor-2）上的大量实验表明了显著的改进：在跨域设置中准确率提升高达 5.2%，比基线 ViT 模型提升 6%。值得注意的是，我们仅使用符号的模型在 MDG 中达到了 63.67% 的平均准确率，而在具有挑战性的 SDG 场景中，与现有已发表的基线和基准相比，完整的神经符号整合实现了最高准确率。消融研究表明，基于病变的特征（84.65% 准确率）明显优于纯神经方法，证实了符号成分不仅增强了可解释性，还起到了有效正则化器的作用。我们的发现确立了神经符号整合作为构建临床稳健且域不变的医学 AI 系统的有前景范式。