医学图像分析中基础模型预训练后适配策略的系统性叙述性综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Adaptation of foundation models in medical image analysis: mechanisms, evidence, and deployment considerations

　　

摘要

基础模型是在多种多样的数据、目标或模态上进行预训练，以便在下游任务中复用的模型，它们正越来越多地应用于医学图像分析。其性能不仅取决于预训练过程，还取决于如何针对特定任务、数据环境和部署设置对其进行适配。虽然以往的综述将适配纳入更广泛的综合分析中讨论，本综述则专门聚焦于针对现有基础模型（FM）的预训练后干预措施。我们采用具有系统性、可审计工作流程的结构化叙述性综述方法，共筛选出719份符合条件的报告，涵盖705项独立研究。其中473项提供了受控比较证据：322项正式发表的研究构成主要综合分析，151项仅以预印本形式发表的研究则作为敏感性分析层。适配方法被归纳为五个非互斥的类别：参数级适配、表征级适配、目标级适配、以数据为中心的适配以及架构/序列级适配，同时模型使用方式和更新机制进行了单独分析。受控比较结果表明，冻结、参数高效、部分更新或全量更新之间，以及更广泛的适配类别之间，并无一致的优劣排序；结果因任务、数据环境、比较方法和评估设置的不同而有所差异。临床可用性证据仍然有限：705项研究中有173项（24.5%）已完成确认的独立外部验证，仅10项（1.4%）报告了校准或不确定性证据，322项正式发表的比较研究中有97项（30.1%）包含了符合条件的外部验证组。总体而言，基础模型的适配是一个依赖于上下文的设计空间，而非一种存在优先级分层的策略体系。