Naukowcy przedstawili CF-NODE, nowatorski framework do adaptacji modeli AI w czasie testowania dla oceny zaawansowania retinopatii cukrzycowej na podstawie zdjęć dna oka. W przeciwieństwie do dotychczasowych podejść opartych na minimalizacji entropii lub akumulacji informacji z całych partii obrazów, CF-NODE działa poprzez pytanie jak każda predykcja reaguje na kontrolowane interwencje - systematycznie osłabiane są wybrane wewnętrzne węzły sieci, a stabilność odpowiadających im zmian w predykcji służy do kalibracji wyniku.
Problem polega na tym, że modele trenowane na danych z jednego źródła drastycznie pogarsza się przy pracy z obrazami z różnych aparatów, klinik i populacji pacjentów. Istniejące metody adaptacji nie radzą sobie gdy obrazy przychodzą pojedynczo, a zamiast tego mogą wzmacniać błędne predykcje. CF-NODE rozwiązuje to bez potrzeby dostępu do docelowych danych ani aktualizacji wag modelu - wykorzystuje tylko geometryczne transformacje obrazu i wcześniej obliczony prior ze zbioru treningowego.
During ewaluacji na pięciu niezależnych zbiorach danych retinopatii cukrzycowej, CF-NODE wyraźnie przewyższył cztery konkurencyjne metody: TENT, EATA, SAR i T3A. Podejście jest w pełni zamrożone, co oznacza że może pracować na dowolnym sprzęcie bez dodatkowych obliczeń adaptacyjnych. To ma potencjał aby znacząco rozszerzyć dostęp do automatyzowanych przesiewów retinopatii cukrzycowej poprzez lepszą generalizację modeli między różnymi ośrodkami medycznymi i sprzętem diagnostycznym.