通过专门化基础图像模型生成胸部 X 射线反事实

反事实图像生成回答了有关主题在回顾性假设场景下看起来如何的问题。最近的方法提高了感知质量、身份保存和对潜在因果模型的忠实度，但它们在医疗保健中的采用受到注释数据稀缺、数据集之间的分布变化以及预训练生成模型与反事实推理所需模型之间不匹配的限制。我们提出了专业化，一个数据和参数有效的框架，用于将预训练的非因果生成模型适应分布转移下的因果机制。基于这个框架，我们使用潜在流匹配训练放射学反事实图像生成模型，称为 RadCF。我们在三个胸部 X 射线数据集上验证了我们的方法，这些数据集涵盖不同的数据集变化、数据量和反事实问题，与具有挑战性的、高度本地化的干预措施相关。我们的结果表明，RadCF 和专业化比现有方法提高了反事实的稳健性，同时具有数据和参数效率，并且由此产生的反事实可以检测和减轻下游医学分类器中的快捷学习。代码可从此 https URL 获取。