利用未标记目标数据与源域监督的鲁棒跨域泛化
该论文提出了一种目标感知的自监督预训练与模型集成策略，利用未标记的目标域数据提升医学影像AI在跨设备场景下的泛化性能。在儿科腕部骨折超声评估任务中，该方法在目标域上Dice系数提升超过6%，实现了标签高效且隐私保护的跨设备鲁棒AI。
文章情报
要点
- 提出结合掩码图像建模和对比学习的自监督预训练方法，无需目标域标签即可学习结构表示。
- 引入置信度感知融合头自适应整合预测结果。
- 在62个儿科超声视频的318张图像上验证，目标域Dice提升超过6%。
- 该方法可扩展至多中心研究或联邦学习设置。
为什么重要
这条新闻值得关注，因为提出结合掩码图像建模和对比学习的自监督预训练方法，无需目标域标签即可学习结构表示。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
医学影像人工智能模型在跨设备、跨中心部署时常常因数据分布差异（域偏移）而性能下降。传统的解决方法需要为目标域重新收集标注数据，但这一过程耗时费力且可能涉及隐私问题。针对这一挑战，来自上海交通大学等机构的研究团队提出了一种利用未标记目标数据的鲁棒跨域泛化方法，相关论文于2026年5月27日提交至arXiv预印本平台。
研究以儿科腕部骨折超声评估为应用场景。点护理超声（POCUS）在儿童骨折分诊中具有重要作用，而AI已展现出放射科医师水平的检测能力，这往往依赖于高质量的骨骼结构分割。然而，不同超声探头（如Philips Lumify与TeleMED便携式探头）导致的图像域偏移使得现有模型在新设备上表现不佳。为此，团队设计了一种“目标感知的自监督预训练+模型集成”策略。
具体而言，该方法包含三个关键环节：首先，在标注丰富的源域数据上训练初始分割模型；其次，在未标注的目标域数据上执行自监督预训练，结合掩码图像建模（MIM）和对比学习，学习目标域的结构特征表示；最后，通过置信度感知融合头将源域模型与目标域自适应分支的预测结果动态整合，提升泛化性能。整个过程中源域和目标域数据保持严格隔离，符合隐私保护要求。源数据集来自Philips Lumify探头，包含密集标注，而目标数据集来自TeleMED便携式探头，完全未标注。这种设计避免了将敏感数据传输到外部服务器，有效缓解了隐私担忧。
实验基于62个儿科POCUS视频的318张超声图像，目标域（TeleMED探头）的Dice系数相比基线方法提升超过6%。这一结果表明，该方法在无需目标域标注的情况下显著增强了跨设备鲁棒性。研究者指出，该框架可进一步推广至多中心临床研究或联邦学习场景，为医疗AI的实际部署提供了标签高效且隐私友好的解决方案。
该工作的意义在于，它不仅解决了超声AI跨设备泛化的实际问题，还提出了一种通用的方法论，即利用自监督学习从无标签目标数据中提取结构知识。未来，团队计划在更多医疗影像模态（如CT、MRI）上验证该方法的有效性，并探索与联邦学习框架的集成，以进一步推动AI在临床中的可靠应用。