CF-NODE：用于域偏移下测试时自适应的反事实空间节点干预——在五个糖尿病视网膜病变数据集上的评估

arXiv:2610.22437v1 发布类型：新 摘要：基于眼底图像的糖尿病视网膜病变（DR）自动分级能够显著扩大筛查能力，但在不同相机、诊所和患者群体之间，使用源域训练的模型性能会急剧下降。现有的测试时自适应方法依赖熵最小化，或依赖从图像批次和数据流中累积的目标域信息。这些机制可能强化高置信度的错误预测，并且在临床图像彼此独立到达时失效。我们提出CF-NODE，一种面向跨域DR分级的新型反事实测试时自适应框架。CF-NODE不依赖预测置信度，也不估计目标域分布，而是考察在对支持每个预测的证据施加受控干预时，该预测如何响应。CF-NODE利用模型生成的注意力、特征幅值和节点集合相似度对内部空间节点进行排序，逐步衰减排名最高的节点，并利用由此产生的期望分级响应的稳定性，对预测的分级分布进行有界校准。该框架完全冻结模型，仅使用几何视图和固定的源域先验对每张图像独立进行自适应，无需任何目标域信息或模型更新。我们在五个外部DR数据集上进行重复随机种子评估，并与TENT、EATA、SAR和T3A进行比较。CF-NODE优于上述四种方法，相较于第二优方法取得了具有统计显著性的改进；它在每个目标域上都提升了AUC，并取得最高的平均AUC和宏平均F1，在实现更强分级判别能力的同时，也使对不同DR严重程度等级的识别更加均衡。这些结果表明，反事实干预敏感性能够为单图像临床推理提供稳定且适合部署的域鲁棒性。