通过使用三种不同的方法：softmax、能量分数和深度集成，并在三个不同的数据集上进行测试，本研究通过点对点超声图像对乳腺癌进行分类，并发现能量分数方法在两个数据集上优于 softmax 方法，而深度集成方法是最稳健的，在所有三个数据集上最适合检测 OOD 样本。

Feb, 2024

通过统计观察，识别出两个常见的问题：误将尾部类 ID 样本误识别为 OOD，同时错误地将 OOD 样本预测为 ID 的头部类，为了解释这一现象，提出了名为 ImOOD 的统计框架来解决不平衡数据分布下的 OOD 检测问题，进而揭示了平衡和不平衡 OOD 检测之间存在的类感知偏差，构建了一种统一的训练时正则化技术来减小偏差，并改进了不同架构设计下的不平衡 OOD 检测方法，该方法在 CIFAR10-LT、CIFAR100-LT 和 ImageNet-LT 基准测试中相对于多个最新的 OOD 检测方法表现出了持续的改进。

Jul, 2024

通过对比研究和深度分析来评估各种最先进的方法对基于置信度的 OOD 检测的能力，并采用计算机视觉基准来复现和比较多种 OOD 检测方法。评估了它们在使用胸部 X 线进行疾病分类这一具有挑战性任务中的能力，结果表明在计算机视觉任务中高性能不直接转化为医学成像任务中的准确性，因此为开发下一代 OOD 检测方法提供了有用的见解。

Jul, 2021

通过将异常检测视为一种离群点检测问题，将测试时增强引入到离群点检测流程中，改进了已有模型的有效性，从而提高了胃肠图像异常情况识别的准确性。

Jul, 2024

基于多个 T2w 方向的多流方法在医学影像数据中的无监督的离群分布检测应用于前列腺癌症状检测，并取得了比单一方向方法更好的检测效果（AUC：73.1 对比 82.3），表明了 MRI 在前列腺癌症状检测中无监督的离群分布检测的潜力。

Aug, 2023

本文定义三类 Out-of-Distribution Detection 的示例，并在医学图像的三个领域中对常见的方法进行基准测试。结果表明，尽管这些方法对某些类别的 OOB 样本产生良好结果，但它们未能识别接近训练数据分布的图像，作者发现简单的二元分类器在特征表示上具有最佳的平均精度和 AUPRC。

Jul, 2020

本文提出了一种更有效的方法以提高对样本外（未知皮肤病变和条件）样本的检测性能，同时维持所知皮肤病变种类的多类分类准确性，并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。

Jun, 2022

深度学习在计算机辅助诊断中得到了应用，但在实际临床场景中可能遇到分布偏移导致的静默失败问题，而最近的研究则探索了各种解决方案，包括分类和评估协议，以及缺乏探索的研究方向。

Apr, 2024

通过引入多个放弃类来扩展内分布类空间并通过虚拟标签训练识别 OOD 数据的检测器，以及通过将图片叠加到具有丰富上下文的 OOD 数据以增强对尾类特征的注意力，我们提出的方法在长尾 OOD 检测任务中表现优于最先进方法，并可作为现有长尾学习方法的附加模块，显著提升 OOD 检测性能。

Dec, 2023

通过使用马氏距离后处理肝脏磁共振成像的 Swin UNETR 模型的瓶颈特征，通过主成分分析降低瓶颈特征的维度，高效且计算负载最小地检测到了分布外的图像。

Aug, 2023