迈向与模态无关的医学图像异常检测：无需训练 流形细化方法

在不同的临床成像环境中部署基于人工智能的异常检测仍然具有挑战性，因为大多数现有方法依赖于特定模态的架构、解剖学先验或广泛的再训练，限制了它们作为通用筛查工具的使用。一类分类（OCC）通过专门对正常数据进行训练，提供了一种标签高效的替代方案，但传统的两级管道直接在原始预训练嵌入上安装密度估计器，从而在潜在空间中留下大量的判别结构未被利用。我们引入了 无需训练，模态不可知的框架，在特征提取和异常评分之间插入显式的流形细化阶段。通过 UMAP 派生的邻域图估计的经验密度权重引导嵌入向局部密集区域迭代转移，压缩正常样本，在高斯密度估计和基于马哈拉诺比斯的评分之前使异常相对孤立。这种改进没有引入额外的可训练参数，也没有架构修改，允许它分层到任何预训练的编码器上。该框架在涵盖五种成像模式（X 射线、MRI、眼底、皮肤镜、组织病理学）的七个数据集上的 MedIAnomaly 基准上进行了评估，在基准评估的方法中，在四个数据集上实现了最佳 AUC，在五个数据集上实现了最佳平均精度，优于跨所有模式采用单一固定超参数配置的专门重建和基于扩散的方法。这些结果表明，通过对现有表示进行事后几何细化而不是定制编码器可以实现有意义的收益，为现实世界的多模态临床工作流程提供实用且可扩展的人工智能筛选框架，在这些工作流程中，重新训练和异常病例注释成本高昂或不可行。