通过伪标签差异进行分布偏移下的医学图像分类的无标签基础模型选择

基础模型越来越多地用于医学图像分析。然而，在部署典型的机构间分布转移下，它们的性能差异很大，并且如果没有目标域标签就无法得知，而目标域标签很少可用。这留下了一个未解决的实际问题：给定多个候选基础模型和来自源域的标记数据，哪一个部署在未标记的目标域中？我们提出了一种基于 SUDO 的无标签选择标准，SUDO 是一个用于评估没有 真值 注释的临床 AI 系统的框架。 SUDO 通过预测概率对未标记的目标数据进行分区，并针对每个区域测量反映类别污染的伪标签差异；跨区域汇总，这会产生一个分数 (AURCC)，既不需要目标注释，也不需要 微调。我们表明，在零样本和 MLP 探针方案下，AURCC 可用于对跨三个医院间移位场景的胸部 X 射线分类的各种视觉语言模型（BioMedCLIP、CXR-CLIP、CheXzero、MedCLIP、MedImageInsight、CLIP）进行排名。 AURCC 排名恢复了 真值 排名，Spearman rho 高达 0.943 (p<0.05)。与按保留源准确性进行排名的自然基线相比，当标记源较大时，AURCC 具有竞争力，而一旦标记源较小，则可以产生更准确的排名；资源有限环境中的利益制度。