Automatisiertes PEFT verbessert 3D‑Medizin‑Segmentierung

In der klinischen Praxis ist die Anpassung von Basismodellen an neue Standorte oft ein langwieriger Prozess, der durch Domain‑Shift und wenige Annotationen erschwert wird. Das neue Verfahren SEA‑PEFT (Self‑Auditing Parameter‑Efficient Fine‑Tuning) löst dieses Problem, indem es die Konfiguration von Adaptern während des Fine‑Tuning automatisch bestimmt und damit die Anpassungszeit von Wochen auf wenige Tage verkürzt.

SEA‑PEFT behandelt die Auswahl der aktiven Adapter als ein Online‑Allokationsproblem. In einem iterativen „Search‑Audit‑Allocate“-Loop werden zunächst aktive Adapter trainiert, anschließend deren Nutzen für die Dice‑Metrik geschätzt, indem sie kurzzeitig deaktiviert werden. Auf Basis dieser Schätzungen wählt ein greedy Knapsack‑Allocator die optimale Adapter‑Menge unter einem vorgegebenen Parameterbudget aus. Exponentielle gleitende Durchschnitte, Interquartile‑Range‑Glättung und ein Finite‑State‑Ranking‑Controller stabilisieren den Prozess und erhöhen die Zuverlässigkeit in stark verrauschten Few‑Shot‑Szenarien.

Auf den Datensätzen TotalSegmentator und FLARE'22 erzielt SEA‑PEFT eine durchschnittliche Dice‑Verbesserung von 2,4 bis 2,8 Punkten gegenüber den besten festen Topologie‑PEFT‑Baselines, während weniger als 1 % der Modellparameter trainiert werden. Der komplette Code ist öffentlich auf GitHub verfügbar, sodass Forscher und Klinikpersonal die Methode sofort in ihre Arbeitsabläufe integrieren können.