CF-NODE：域转移下测试时间适应的反事实空间节点干预，在五个糖尿病视网膜病变数据集上进行评估

arXiv:2610.22437v1 公告类型：新 摘要：基于眼底的自动化糖尿病视网膜病变 (DR) 分级可以大幅扩大筛查能力，但经过源训练的模型在不同摄像机、诊所和患者群体中的性能急剧下降。现有的测试时间适应方法依赖于熵最小化或从图像批次和流中积累的目标信息。这些机制可以强化错误的预测，并在临床图像独立到达时崩溃。我们介绍 CF-NODE，这是一种用于跨域 DR 分级的新颖的反事实测试时间适应框架。 CF-NODE 不是信任预测置信度或估计目标分布，而是询问每个预测在支持其证据的受控干预下如何响应。 CF-NODE 使用模型导出的注意力、特征量级和节点集相似性对内部空间节点进行排序，逐渐减弱排名最高的节点，并使用所得预期等级响应的稳定性来应用预测等级分布的有界校准。该框架完全冻结，仅使用几何视图和固定的源导出先验来独立调整每个图像，不需要目标导出的信息或模型更新。我们在针对 TENT、EATA、SAR 和 T3A 的重复种子评估下，在五个外部 DR 数据集上评估 CF-NODE。 CF-NODE 的性能优于所有四种方法，与第二好的方法相比具有统计显着性改进，提高了每个目标域的 AUC，并获得了最高的平均 AUC 和宏 F1，提供了更强的等级区分度以及跨 DR 严重性级别的更平衡的识别。这些结果表明，反事实干预敏感性为单图像临床推理提供了一致且可部署的域稳健性。