反事实干预让糖网分级模型跨五数据集逆袭，AUC全面碾压四种主流方法！
CF-NODE: Counterfactual Spatial Node Intervention for Test-Time Adaptation Under Domain Shift, Evaluated Across Five Diabetic Retinopathy Datasets
📖 AI 总结
本文提出CF-NODE，一种面向域偏移下糖尿病视网膜病变（DR）分级的反事实测试时自适应框架。针对源域训练模型在不同相机、诊所和人群间性能显著下降的问题，作者指出既有测试时自适应方法依赖熵最小化或目标批次信息累积，容易强化高置信度错误预测，且难以应对临床图像独立到达的场景。CF-NODE不依赖预测置信度或目标分布估计，而是通过对支撑预测的内部空间节点施加受控干预，依据注意力、特征幅值和节点集相似度排序并逐步衰减高排名节点，再根据预期分级响应的稳定性对预测分布进行有界校准。该方法完全冻结模型，仅用几何视图和固定源域先验逐图独立适配，无需目标域信息或参数更新。在五个外部DR数据集上以重复随机种子与TENT、EATA、SAR、T3A对比，CF-NODE全面胜出，相对次优方法提升具有统计显著性，在所有目标域上AUC均有改善，平均AUC与宏F1最高，并在各严重程度上实现更均衡的识别。结果表明反事实干预敏感性可为单图临床推理提供稳定且可部署的域鲁棒性。
🔑 关键词速览
| CF-NODE | 一种用于跨域糖尿病视网膜病变分级的反事实测试时自适应框架，通过干预内部空间节点来校准预测。 |
| Test-Time Adaptation (TTA) | 在测试阶段利用目标域数据调整模型以适应域偏移的技术，无需访问源域数据或标签。 |
| Counterfactual Intervention | 通过受控地改变输入或内部表示来观察模型预测变化，以评估预测稳定性和可靠性的方法。 |
| Diabetic Retinopathy (DR) Grading | 根据眼底图像对糖尿病视网膜病变的严重程度进行自动分级，通常分为多个等级。 |
| Domain Shift | 源域和目标域数据分布不一致的现象，导致模型在目标域上性能下降。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅