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

该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

Sep, 2019

本研究利用3117个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

Nov, 2019

本文综述了深度学习在医学成像领域的应用，阐述了医学成像的特点、临床需求和技术挑战，描述了深度学习是如何应对这些问题的，其中包括网络结构、稀疏和噪音标签、联邦学习、可解释性、不确定性量化等内容。此外也介绍了常见的数字病理学和胸部、脑部、心血管和腹部成像等几个临床案例，最后展望了未来研究的方向。

Aug, 2020

深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

Jul, 2023

对领域转变的医学图像中的可靠自动疾病诊断中的转诊存在重要挑战，并找到了关键应用。

Nov, 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

医学图像数据中，现有深度网络模型对于不同医院采样的数据或受性别、种族等人口统计变量影响的数据领域转移问题的鲁棒性不足。本研究提出了一种基于医学知识先验的知识增强瓶颈模型（KnoBo），通过检索增强语言模型，设计适当的概念空间，并采用自动训练过程来识别概念，以提高医学模型对领域转移的适应能力。在广泛的20个数据集上评估了不同知识资源和识别架构，在混淆数据集上，KnoBo的性能平均超过精调模型32.4%。最后，评估表明PubMed是使医学模型对领域转移的敏感性降低的有希望的资源，在信息多样性和最终预测性能上优于其他资源。

May, 2024

该研究解决了预训练深度卷积神经网络在不同医学影像数据集中的应用问题，发现其作为特征提取器表现不佳，尤其是在胸部X光和光学相干断层扫描等不同成像模式下。研究表明，虽然更深的网络架构不一定提高性能，但在特定医疗领域内，模型在不同数据集上的表现存在显著差异，这为深度学习在医学影像中的应用提供了重要见解。

Aug, 2024

本研究针对预训练深度卷积神经网络在不同医学影像数据集中的使用，揭示了其在二分类和多分类任务中的局限性。研究发现，预训练模型作为固定特征提取器在多数数据集中表现不佳，而组织病理学全切片图像却有更好的表现，表明医学影像任务的性能评价需依据特定数据集及成像模态进行调整。

Aug, 2024