引言：成像异质性的挑战
光学相干断层扫描（OCT）彻底改变了眼科领域，提供了对视网膜的高分辨率、横截面可视化图像，这些图像对于黄斑疾病的诊断和管理至关重要。然而，OCT技术的迅速普及导致了成像硬件的碎片化。不同的制造商，如海德堡工程公司（Spectralis）和蔡司（Cirrus），采用了不同的光学设置和处理算法，导致图像对比度、噪声水平和空间分辨率的差异。对于人工智能（AI）和深度学习（DL）模型而言，这种异质性构成了一个重大障碍，称为域迁移。一个在某一供应商图像上训练的模型在应用于另一供应商的图像时往往表现不佳，限制了AI在多样化医疗环境中的可扩展性和临床实用性。
在发表于《美国医学会杂志·眼科学》的一项里程碑式研究中，唐及其同事通过开发和验证一种用于供应商无关的多疾病检测的域迁移AI技术，解决了这一挑战。通过利用先进的无监督测试时间域适应技术，研究人员旨在创建一个能够在不同硬件平台和临床环境中保持高性能的稳健诊断工具。
