本文通过评估胸部放射照相图像数据集中的移域偏移，考察不同数据集在深度学习模型的训练和测试中的性能差异，并证明在 CheXpert 和 MIMIC-CXR 数据集上训练的模型更能够在其他数据集上实现更好的泛化。

Sep, 2019

本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

Nov, 2021

本研究基于多中心临床时间序列和医学影像数据，评估了 8 种领域泛化方法在现实世界医学成像数据上的性能，并对真实性产生的领域偏差和采样偏差而进行模拟压力测试，发现当前领域泛化方法在现实世界医学成像数据上的表现并不总是能够显著提升。然而，在临床时间序列数据的某些真实性突出情景下，这些领域泛化方法确实会呈现出一定的性能提升，建议在临床环境中采用最佳实践方法来进行领域泛化。

Mar, 2021

研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

May, 2023

医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个 GitHub 项目，收集了相关资源，链接为：https://this-URL-github-project

Feb, 2024

该研究探讨卷积神经网络应用在皮肤镜皮肤癌分类等临床任务时的泛化能力不足问题，并针对不同来源、不同照明条件等影响因素，通过对 ISIC 图像库中图像元数据进行分类，生成包括这些影响因素的数据集，体现数据集间的 “domain shifts”，为评估皮肤癌分类器的泛化能力提供支持。

Apr, 2023

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021

深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

Oct, 2023

通过利用 ViT 中的预测软化机制实现视觉转换器自我蒸馏，我们提出了一种简单而有效的领域泛化方法，用于自动糖尿病视网膜病变分类。通过在具有不同 ViT 骨干结构的多源和单源 DG 设置下进行广泛的实验，我们证明了我们的方法在 DR 分类中的有效性和适用性，并展示出比其他方法更好的校准性能，适用于包括医疗保健在内的安全关键应用。希望我们的贡献能够推动医学影像社区更多的 DG 研究。

Oct, 2023

这篇论文探讨了一种特殊的数据集漂移，称为类依赖性领域漂移，提出了使用神经网络解决有信息论约束的优化问题的方法，并在玩具数据集上进行实验，证明了该方法能够学习到健壮分类器并能够推广到未知领域。

Jul, 2020