朝着临床可信任的深度学习：将合拟似法应用于颅内出血检测
内容提要
该文综述深度学习在医学影像中的应用：利用符合性预测提升决策透明度与可靠性，用于皮肤病变分类及不确定性量化；自动检测头颅CT的颅内出血、骨折、中线移位；弱监督分割出血区域；MRI研究显示扩大训练图像分布可提升模型泛化能力；并提出基于可靠性的训练数据清洗方法纠正标签错误。
延伸解读
符合性预测为何能提升临床信任
文章指出，符合性预测（Conformal Prediction）在皮肤病变分类中相比Monte Carlo Dropout和Evidential Deep Learning，表现出更好的鲁棒性和一致性，使其成为安全关键应用中决策的首选。这意味着在医疗影像诊断中，符合性预测能提供更可靠的置信度评估，帮助医生理解模型的不确定性，从而增加对算法辅助决策的信任。
颅内出血检测算法的性能与局限
研究显示，深度学习算法在无对比剂头颅CT上检测颅内出血及其亚型、骨折、中线移位等关键发现时，AUC达到很高水平。但文章也提到，将此类算法引入日常医疗工作流程仍存在潜力和限制，例如对数据分布变化的敏感性，以及需要进一步评估其在多中心场景下的泛化能力。
弱监督分割降低标注依赖
针对颅内出血分割，文章介绍了一种弱监督深度学习方法，仅使用图像级二元分类标签，通过分类网络的类激活图定位出血区域，并用无监督方法生成的伪掩膜改进分割。这种方法有望减少对像素级标注的依赖，但交叉验证的Dice系数仅为0.31，表明分割精度仍有较大提升空间。
数据清洗与泛化能力的改进方向
文章提出基于可靠性的训练数据清洗方法，利用归纳性依从预测计算可靠性度量，纠正嘈杂训练数据中的标签错误和异常值，在三个分类任务中显著提升了性能。同时，MRI研究表明，扩大训练图像分布可提高模型泛化能力，未来需在多个外部队列上评估以确保可靠性。
Q&A
合拟似法（Conformal Prediction）在医学影像深度学习里主要解决什么问题？
合拟似法用于提升医学影像决策的透明性和可靠性，通过提供可靠的边界来量化模型不确定性，从而增加医生对算法的信任度。
深度学习在头颅CT上能自动检测哪些颅内出血类型和关键发现？
可自动检测颅内出血（ICH）及其类型：脑内实质（IPH）、脑室内（IVH）、硬膜下（SDH）、硬脑膜外（EDH）和蛛网膜下（SAH），以及骨盖骨折、中线移位和占位效应，AUCs测评显示识别准确率很高。
如何用弱监督方法分割颅内出血区域？
使用图像级别的二元分类标签，通过分类网络的类激活图确定ICH的大致位置，并用无监督方法获取的伪ICH掩膜进一步改进分割。
在皮肤病变分类中，哪种不确定性量化方法更鲁棒？
Conformal Prediction在各种条件下表现出更好的鲁棒性和一致性，使其成为安全关键应用中决策的首选。
扩大训练图像分布对深度学习模型泛化能力有什么影响？
在训练数据中加入更广泛的图像分布可以提高模型的泛化能力，并且未来需要在多个外部队列上评估以获得可靠结果。
如何利用合拟似法清洗训练数据中的标签错误？
提出基于可靠性的训练数据清洗方法，利用归纳性依从预测（ICP）计算的可靠性度量来纠正大量嘈杂训练数据中的标签错误和异常值，在三个分类任务中验证有效，显著提升分类性能。
