超聲心動圖域偏移：跨資料集左心室分割的可解釋量化與預測

超聲心動圖在臨床中廣泛應用，但跨資料集泛化問題仍是左心室分割模型部署的關鍵障礙。來自六個超聲心動圖資料集的研究揭示，域偏移並非不可控，而是具有結構性和可測量性。該研究由Soroush Elyasi等人於2026年7月22日提交至arXiv，旨在探索如何在使用前估計遷移退化程度。

研究團隊採用幾何感知預處理（如視野對齊），顯著提升了部分低效能遷移案例的分割效果。例如，一些原本表現較差的模型在應用幾何校正後，Dice係數提升了數個點。這表明，多數表觀域偏移源自採集過程中的視野和框架差異，而非固有的聲學特性。相比之下，強度z歸一化對資料集可分性的影響低於0.005，說明亮度和對比度並非主要偏移因素。這一發現挑戰了以往認為域偏移主要源於影像外觀差異的假設。

為了量化域偏移對分割的影響，研究人員以絕對Dice下降作為指標，在保留的源-目標對中取得了R²=0.612、平均絕對誤差0.082、斯皮爾曼相關係數0.681的預測精度。值得一提的是，即使移除左心室和扇形特徵，模型仍保留約70%的解釋力，這為無掩膜的轉移風險監控提供了可能。這意味著在實際部署中，無需手動標註即可評估模型在新資料集上的效能。

研究還發現，不同特徵空間的最優差異度量各異。在z歸一化手工特徵中，CMD（中心矩差異）表現最佳，相關係數約0.86，R²約0.70；在VAE潛在空間，log-Wasserstein距離最優，相關係數約-0.90，R²約0.81；在基於分割的潛在特徵中，log-MMD（最大均值差異的對數）最有效，相關係數約-0.92，R²約0.84。此外，表面上的裝置廠商效應實際上與資料集混雜，而非單純由廠商導致。

該研究證實，超聲心動圖域偏移是結構化且可量化的，透過幾何感知預處理可部分減輕其影響，且藉助特定表示的距離度量可提前預測分割效能。這為臨床部署提供了實用工具，有助於在模型遷移前評估風險，減少試錯成本。未來，該框架可推廣至其他醫學影像分割任務，推動更可靠的AI輔助診斷系統落地。