研究人员提出了 TCLA，这是一种纯免训练的少样本（few-shot）自适应方法，旨在提高医疗视觉-语言模型（VLM）在分布外数据上的性能。该方法利用少量支持样本校正推理 logit，以增强类间解混淆并减少域偏移，同时不引入任何可训练组件。

  • TCLA 与模型无关且速度快，解决了现有依赖额外可训练参数的少样本方法中存在的稳定性问题。
  • 它在涵盖多种医学成像模态的九个数据集上提升了性能，包括 X 射线、超声、MRI、CT 和病理学。
  • 在大多数情况下，TCLA 优于现有的基于训练的自适应方法，同时在不同类型的医学数据上保持鲁棒性。

这种方法为在极端低数据场景下适配预训练 VLM 提供了一种稳定的替代方案，而传统的少样本方法在此类场景中可能会失效。