技术摘要：利用病理共现性进行胸部 X 光诊断中的测试时自适应

问题陈述

深度学习模型在进行胸部 X 光分类时，由于成像设备、采集协议和患者人口统计学差异导致的领域偏移（domain shifts），往往会在部署到新临床站点时出现显著的性能退化。虽然测试时自适应（Test-Time Adaptation, TTA）提供了一种解决方案，即仅利用无标签的目标数据来更新预训练模型（无需访问源数据或目标标注），但现有的 TTA 方法并不适用于多标签医学图像。

标准的 TTA 方法最初是为单标签自然图像分类设计的，它们在所有样本上统一地最小化预测熵。这隐含地假设了标签之间的独立性。然而，在临床环境中，病理特征表现出结构化的共现模式（例如，某些疾病经常同时出现），而非孤立发生。现有方法未能考虑到这些依赖关系；它们将所有高置信度的预测都视为同样可靠，即使该预测违反了合理的标签关系。这可能导致在自适应过程中放大不一致的模式并引入噪声梯度，尤其是在存在领域偏移的情况下。

方法论：共现加权自适应 (CoWA)

作者提出了 CoWA，这是一种源无关（source-free）的 TTA 方法，它利用疾病共现模式作为可靠性信号来引导自适应。该框架无需额外的监督或架构更改，仅通过调整预训练模型的批归一化（Batch Normalization, BN）仿射参数来进行自适应。

CoWA 由三个核心组件组成：

1. 目标域共现矩阵估计：
   该方法直接从输入的测试预测中估计标签共现结构。模型输出（软概率）通过固定阈值进行二值化，以抑制低置信度的激活。一个成对的共现矩阵 $S$ 会在处理的批次中进行累积，其中 $S_{jk}$ 计算病理 $j$ 和 $k$ 的联合预测。该矩阵被归一化以形成经验共现矩阵 $M$，它随着自适应过程的推进而演变，从而捕捉目标领域特定的依赖结构。

2. 一致性感知样本加权：
   对于每个样本，CoWA 计算一个一致性得分，用于衡量其预测的标签配置与估计的目标共现矩阵 $M$ 的契合程度。通过样本的预测构建局部共现模式 $m_i$。利用 Frobenius 范数计算 $m_i$ 与 $M$ 之间的偏差。该偏差被转换为可靠性权重 $w_i$：
   $$w_i = \exp\left(-\frac{\|m_i - M\|_F^2}{\tau}\right)$$
   其中 $\tau$ 是温度参数。与新兴目标结构一致的预测样本将获得接近 1 的权重，而结构不一致（有噪声）的预测则会被降低权重。

3. 加权熵最小化：
   CoWA 不是最小化统一的平均熵，而是最小化加权熵损失：
   $$L_{CoWA} = \frac{1}{B} \sum_{i=1}^{B} \max(w_i, w_{min}) \cdot H(\hat{y}_i)$$
   这里，$H(\cdot)$ 是预测熵，$B$ 是批大小，$w_{min}$ 用于防止权重降至零以保证数值稳定性。这确保了模型主要基于结构连贯的样本进行自适应，从而减少了噪声梯度的影响。

核心贡献

1. 提出 CoWA： 一种新型 TTA 方法，它通过从模型预测中估计病理共现模式，并将该模式用作多标签医学图像分类中的逐样本可靠性信号。
2. 识别标准 TTA 的局限性： 作者证明了专为单标签基准设计的标准 TTA 方法在处理多标签临床任务时可能无效甚至有害，因为它们忽略了标签间的依赖关系。
3. 实证验证： 在六个领域偏移场景下，通过在公开胸部 X 光数据集（MIMIC-CXR, CheXpert, VinDr-CXR, NIH Chest X-ray）上进行的广泛实验，展示了 CoWA 相比于成熟基准方法的持续性能提升。

实验结果

作者使用 AUROC 作为主要指标，将 CoWA 与包括 No Adaptation（无自适应）、AdaBN、TENT、CoTTA、EATA 和 RoTTA 在内的几种基准方法进行了评估。

• 整体性能： CoWA 在大多数领域偏移场景中均取得了最佳的平均 AUROC，并在其他场景中保持了竞争力，始终排名第一或第二，且性能差距较小。
• 对领域偏移的鲁棒性： 不同于 TENT 和 AdaBN 等表现出高变异性（在某些偏移下表现良好，但在另一些偏移下性能下降）的基准方法，CoWA 保持了稳定的性能。
• 特定类别改进： 竞争方法通常在低患病率病理（如气胸）上会出现明显的性能下降。CoWA 一致地缓解了这些特定类别的退化。值得注意的是，CoWA 是唯一一种在所有偏移下都能避免性能严重跌破未自适应基准线的方法，凸显了其最差情况下的鲁棒性（worst-case robustness）。
• 分析：
  • 矩阵演变： CoWA 中估计的共现矩阵在自适应过程中逐渐与真实的 target 结构对齐，而基准方法则丢失了清晰的依赖结构。
  • 权重可靠性： 观察到分配的权重与预测质量（AUPRC）之间存在正相关性，证实了权重有效地充当了隐式可靠性估计器。
  • 消融实验： 使用 Frobenius 范数 ($\ell_F$) 进行一致性评分比使用 $\ell_1, \ell_2$ 或 $\ell_\infty$ 范数获得了更高的平均 AUROC 和更低的方差。此外，与 TENT 相比，CoWA 展示了更稳定的 BN 仿射梯度更新。

重要性与主张

本文声称，CoWA 提供了一种简单的、可部署的解决方案，通过在 TTA 中引入目标领域的共现结构，在无需额外标注的情况下提高诊断的鲁棒性。

作者强调，在临床环境中，任何单一病理的严重性能下降都可能危及诊断，因此 CoWA 提供的“最差情况鲁棒性”与平均性能同样至关重要。通过降低违反合理标签关系的预测权重，CoWA 使自适应能够专注于结构一致的样本，从而减少噪声梯度。

作者在结论中保持了谦逊，指出虽然 CoWA 是有效的，但估计的模式可能会受到数据集层面偏差的影响。他们建议，将 CoWA 扩展到捕捉更稳健、具有因果基础的关系是未来工作的一个有前景的方向。