本研究提出了一种新的无监督数据集偏移识别框架，旨在解决临床AI模型因数据分布变化导致的性能下降问题。该框架能够有效区分标签分布变化、输入特征变化和混合偏移，并结合自我监督编码器和任务模型输出的方法，显著提高了对细微特征变化的检测能力。

本研究探讨了在不同文本领域微调模型中，特征的出现、消失和持久化，揭示了特征在迁移学习中的动态变化。