Para peneliti menyajikan TCLA, sebuah metode adaptasi few-shot murni tanpa pelatihan yang dirancang untuk meningkatkan kinerja Model Visi-Bahasa (VLMs) Medis pada data di luar distribusi. Metode ini memperbaiki logit inferensi menggunakan seperangkat kecil sampel dukungan untuk meningkatkan dekonfusi antar-kelas dan mengurangi pergeseran domain tanpa memperkenalkan komponen yang dapat dilatih.
- TCLA bersifat agnostik terhadap model dan cepat, mengatasi masalah ketidakstabilan yang ditemukan dalam metode few-shot yang ada yang mengandalkan parameter tambahan yang dapat dilatih.
- Metode ini meningkatkan kinerja di sembilan dataset yang mencakup berbagai modalitas pencitraan medis, termasuk Rontgen, Ultrasound, MRI, CT, dan Histopatologi.
- Dalam kebanyakan kasus, TCLA mengungguli metode adaptasi berbasis pelatihan yang ada sambil mempertahankan ketahanan pada berbagai jenis data medis.
Pendekatan ini menawarkan alternatif yang stabil untuk menyesuaikan VLM pra-latih dalam rezim data yang sangat rendah di mana metode few-shot tradisional mungkin gagal.