MaRS：通过马哈拉诺比斯残差评分进行稳健的分布外检测

基础模型为医学图像提供了高度描述性的表示，但其可靠性会因患者、设备或采集条件的变化而引起分布变化而降低。因此，可靠的分布外 (OOD) 检测对于安全部署至关重要。最近的事后检测器有效地利用了冻结嵌入（例如 kNN），而潜在特征空间中基于重建的 OOD 检测由于性能不一致而采用有限。在这项工作中，我们表明，基于重建的方法在潜在空间中的局限性并不是源于较差的重建质量，而是源于重建误差的评分方式。标准 L2 残差范数破坏了各向异性残差结构，从而抑制了信息偏差。为了解决这个限制，我们引入了 MaRS（马哈拉诺比斯残差评分），这是一种无标签的 OOD 检测器，它使用轻量级自动编码器学习分布流形，并通过重建残差的马哈拉诺比斯距离测量偏差，产生方差感知的 OOD 分数。在三种成像模式、多种类型的分布变化以及不同的模型系列和尺度中，MaRS 优于已建立的基于置信度、距离和重建的基线，同时保持完全事后和轻量级。该代码可在 https://github.com/francescodisalvo05/mars 上获取。