这篇文档属于类型a，即报告了一项原创研究的学术论文。以下是基于文档内容生成的详细学术报告：
主要作者及机构
本研究的主要作者包括Qi Bi、Jingjun Yi、Hao Zheng、Wei Ji、Haolan Zhan、Yawen Huang、Yuexiang Li和Yefeng Zheng。他们分别来自Westlake University、Jarvis Research Center (Tencent Youtu Lab)、Yale University、Monash University和Guangxi Medical University。该研究发表在2024年的第38届Neural Information Processing Systems (NeurIPS)会议上。
学术背景
疾病分级（disease grading）是医学图像分析中的一项关键任务，但由于疾病的连续进展，同一级别的病变可能存在较大差异，而相邻阶段之间又可能存在相似性，这使得准确分级极具挑战性。此外，在实际临床场景中，模型通常只能在有限的源域数据集上进行训练，但需要能够处理未见过的目标域数据。由于跨域变异，源域和目标域之间的特征分布可能存在显著差异，导致模型性能大幅下降。为了解决跨域疾病分级中的这些挑战，本研究提出了一种基于严重性感知的循环建模方法（Severity-Aware Recurrent Modeling, Samba）。
研究流程
1. 问题定义与框架概述
研究首先定义了跨域疾病分级问题，即在给定源域数据集的情况下，训练一个能够在未见过的目标域上表现良好的分级模型。研究框架包括四个编码阶段，每个阶段由多个严重性感知循环层组成，并通过下采样层连接。最终，通过一个包含平均池化层和线性层的分级头生成预测结果。
基于状态空间模型的循环补丁建模
研究提出将图像补丁作为序列数据进行编码，利用状态空间模型（State Space Model, SSM）处理序列补丁嵌入。SSM通过隐藏状态存储和传输严重性信息，并通过双向设计将局部信息传播到全局。具体实现中，研究采用了双向Mamba层，支持序列到序列的转换，并根据输入数据选择性地处理补丁。
基于期望最大化（EM）的状态重新校准
为了减少跨域变异的影响，研究设计了一种基于期望最大化（Expectation-Maximization, EM）的状态重新校准机制。通过高斯混合模型（Gaussian Mixture Model, GMM）建模不同病变的特征分布，并使用可学习的严重性基向量将特征嵌入映射到更紧凑的空间。EM算法用于估计每个图像的病变特征分布，并根据基向量重建特征。
实验设计与数据集
研究在三个跨域疾病分级基准上进行了广泛实验，包括疲劳性骨折分级、乳腺癌分级和糖尿病视网膜病变分级。每个基准数据集均包含来自不同域的图像，研究采用单域泛化协议（single-domain generalization protocol）进行评估，使用一个数据集作为源域，其余数据集作为未见过的目标域。
主要结果
1. 疲劳性骨折分级基准
在疲劳性骨折分级基准上，Samba方法在未见过的目标域上的准确率（accuracy, acc）、曲线下面积（area under the curve, auc）和F1分数（F1-score, f1）分别达到76.2%、81.5%和45.8%，显著优于基线模型VMamba。
乳腺癌分级基准
在乳腺癌分级基准上，Samba方法在未见过的目标域上的准确率、曲线下面积和F1分数分别为60.5%、72.3%和59.1%，在多个分级水平上均表现出显著的性能提升。
糖尿病视网膜病变分级基准
在糖尿病视网膜病变分级基准上，Samba方法在多个未见过的目标域上的准确率和F1分数均显著优于现有的最先进方法，尤其是在FGADR数据集上，准确率和F1分数分别提升了60.7%和31.3%。
结论
本研究提出的Samba方法通过严重性感知的循环建模和基于EM的状态重新校准，有效解决了跨域疾病分级中的关键挑战。实验结果表明，Samba方法在多个跨域疾病分级任务中均表现出优异的泛化性能，显著优于现有基线模型和最先进方法。该研究为自动医学图像分析提供了一种有效的工具，具有重要的科学价值和临床应用潜力。
研究亮点
1. 创新性方法
Samba方法首次将状态空间模型和EM算法引入跨域疾病分级任务，通过严重性感知的循环建模和特征重新校准，显著提升了模型的泛化能力。
广泛实验验证
研究在三个跨域疾病分级基准上进行了广泛实验，验证了Samba方法的有效性和鲁棒性。
实际应用价值
该研究为自动疾病分级提供了一种通用的解决方案，能够处理未见过的目标域数据，具有重要的临床应用价值。
其他有价值的内容
研究还通过t-SNE可视化展示了Samba方法在特征空间中的分布，验证了其能够有效减少源域和目标域之间的特征差异，从而提升模型的泛化能力。此外，研究还探讨了Samba方法在计算病理学分类任务中的应用，进一步验证了其在不同医学图像分析任务中的广泛适用性。
通过以上内容，可以看出本研究在跨域疾病分级领域的重要贡献和创新性。