Single Domain Generalization: Erfolgreiche Praxis in der medizinischen Bildgebung

In einer kürzlich veröffentlichten Preprint-Studie (arXiv:2601.16359v1) wird die Bedeutung von Single Domain Generalization (SDG) für den Einsatz von künstlicher Intelligenz in der medizinischen Bildgebung betont. SDG zielt darauf ab, ein Modell, das auf Daten eines einzigen Domänen-Setups trainiert wurde, so zu gestalten, dass es auch auf bislang unbekannte Ziel-Domänen zuverlässig funktioniert.

Die Autoren zeigen, dass aktuelle, hochmoderne SDG-Methoden in der Praxis häufig nicht die gewünschte Generalisierung über verschiedene Datenquellen hinweg erreichen. Besonders bei Multi-Center-Studien, in denen unterschiedliche Scanner und Bildgebungsprotokolle zu erheblichen Domain‑Shifts führen, bleibt die Leistung bei seltenen Klassen stark variabel.

Um dieses Problem zu lösen, entwickeln die Forscher die generische Technik DL+EKE – ein Deep‑Learning‑Modell, das explizit Expertenwissen integriert. In der Anwendung auf diabetische Retinopathie demonstriert DL+EKE eine deutlich bessere Leistung als die führenden SDG‑Ansätze und liefert damit einen vielversprechenden Ansatz für robuste klinische Systeme.

Darüber hinaus wird DL+EKE in zwei realen Einsatzszenarien implementiert: die Erkennung von Koronararterien mittels Belastungs‑EKG und die Identifikation von Anfallsbeginn‑Zonen in Ruhe‑fMRI‑Daten. Die Autoren diskutieren dabei die spezifischen Herausforderungen, die bei der Anwendung von SDG‑Techniken in diesen Bereichen auftreten, und geben Einblicke in die praktischen Lösungswege.