Entropie-adaptives Modell-Merging: Neue Methode für medizinische Bildgebung

In der medizinischen Bildgebung, wo Modelle lokal an einzelnen Kliniken auf privaten Daten feinabgestimmt werden, stellen unerwartete Testzeit-Shift-Probleme eine große Herausforderung dar. Traditionelle Mittelwert-Strategien zum Zusammenführen mehrerer Modelle versagen häufig, wenn die Datenverteilung an einem neuen Standort stark abweicht. Ein neues Verfahren nutzt die Entropie der Vorhersagen, um online und ohne Labels ein batch-spezifisches, zusammengeführtes Modell zu erzeugen. Durch reine Vorwärtsdurchläufe kann das System sofort auf die Zielinformationen reagieren.

Die Autoren zeigen, dass der einfache Mittelwert bei heterogenen Domain-Shift-Szenarien zu Fehlanpassungen führt. Um das Problem des Encoder‑Classifier‑Mismatch zu beheben, trennt das Verfahren Encoder und Klassifikationskopf und wendet unterschiedliche Merging-Koeffizienten an. Diese Entkopplung ermöglicht eine feinere Abstimmung der Modellkomponenten und verhindert, dass ein einzelner Teil die Gesamtleistung dominiert.

Umfangreiche Tests mit zwei modernen Backbones und neun medizinischen sowie natürlichen Bildklassifikationsdatensätzen demonstrieren, dass die Entropie-adaptive Methode konsistente Verbesserungen gegenüber etablierten Baselines erzielt. Trotz der komplexen Online-Integration bleibt die Laufzeit beim Testen auf ein einzelnes Modell beschränkt, was die praktische Anwendbarkeit in klinischen Umgebungen unterstreicht.