超声心动图域偏移：跨数据集左心室分割的可解释量化与预测

超声心动图在临床中广泛应用，但跨数据集泛化问题仍是左心室分割模型部署的关键障碍。来自六个超声心动图数据集的研究揭示，域偏移并非不可控，而是具有结构性和可测量性。该研究由Soroush Elyasi等人于2026年7月22日提交至arXiv，旨在探索如何在使用前估计迁移退化程度。

研究团队采用几何感知预处理（如视野对齐），显著提升了部分低性能迁移案例的分割效果。例如，一些原本表现较差的模型在应用几何校正后，Dice系数提升了数个点。这表明，多数表观域偏移源自采集过程中的视野和框架差异，而非固有的声学特性。相比之下，强度z归一化对数据集可分性的影响低于0.005，说明亮度和对比度并非主要偏移因素。这一发现挑战了以往认为域偏移主要源于图像外观差异的假设。

为了量化域偏移对分割的影响，研究人员以绝对Dice下降作为指标，在保留的源-目标对中取得了R²=0.612、平均绝对误差0.082、斯皮尔曼相关系数0.681的预测精度。值得一提的是，即使移除左心室和扇形特征，模型仍保留约70%的解释力，这为无掩膜的转移风险监控提供了可能。这意味着在实际部署中，无需手动标注即可评估模型在新数据集上的性能。

研究还发现，不同特征空间的最优差异度量各异。在z归一化手工特征中，CMD（中心矩差异）表现最佳，相关系数约0.86，R²约0.70；在VAE潜在空间，log-Wasserstein距离最优，相关系数约-0.90，R²约0.81；在基于分割的潜在特征中，log-MMD（最大均值差异的对数）最有效，相关系数约-0.92，R²约0.84。此外，表面上的设备厂商效应实际上与数据集混杂，而非单纯由厂商导致。

该研究证实，超声心动图域偏移是结构化且可量化的，通过几何感知预处理可部分减轻其影响，且借助特定表示的距离度量可提前预测分割性能。这为临床部署提供了实用工具，有助于在模型迁移前评估风险，减少试错成本。未来，该框架可推广至其他医学影像分割任务，推动更可靠的AI辅助诊断系统落地。