基于可解释归因和不确定性量化的双通道可靠乳腺超声图像分类
内容提要
该综述聚焦医学图像分析中机器学习模型的不确定性量化，涵盖概率与非概率方法，并讨论其在分割等任务中的应用与评估协议。相关研究利用多标注者差异、贝叶斯神经网络、注意力机制等估计标记者与模型不确定性，以提升预测可靠性和可解释性；同时指出需发展个体化评估方法，为临床可靠应用提供依据。
延伸解读
不确定性量化：从数据集到个体评估的挑战
文章指出，现有不确定性评估方法在数据集水平表现良好，但在个体水平出现偏差，因此需要开发个体化的评估方法。这意味着临床应用中，仅依赖整体数据集指标可能掩盖单个病例的风险，个体化评估对于可靠决策至关重要。
多标注者差异：不确定性来源与利用
文章将多位专家标注的变异性作为“地面真相”不确定性的来源，并与概率U-Net结合，在肺结节CT和前列腺MRI数据集上测试，发现能提高预测不确定性估计，同时提升样本准确度和多样性。这提示标注者间的分歧本身可转化为模型不确定性的有效信号。
辅助网络：评估不确定性的有效途径
文章提到辅助网络是一种有效的评估方法，并介绍了结合贝叶斯神经网络和注意机制的BA U-Net等架构。这些方法旨在提供空间不确定性映射，帮助临床医生观察系统何时以及为何出错，从而增强模型的可解释性和临床信任。
Q&A
医学图像分割中如何利用多标注者的差异来估计不确定性？
研究将多个标注者对同一图像注释的变异性作为“地面真相”不确定性的来源，并与概率U-Net结合，在LIDC-IDRI肺结节CT和MICCAI2012前列腺MRI数据集上测试，发现能提高预测不确定性估计，同时提升样本准确度和多样性。
BA U-Net模型是什么，它有什么作用？
BA U-Net是一种结合贝叶斯神经网络和注意力机制的不确定性感知MRI分割模型，用于高精度且可解释的病理自动筛查，在BraTS 2020数据集上以F1分数和IoU评估。
现有不确定性评估方法在个体水平上存在什么问题？
研究发现现有不确定性评估方法在数据集水平表现良好，但在个体水平出现偏差，因此需要开发个体化的评估方法，并发现辅助网络是一种有效的评估方法。
超声图像质量评估有哪些深度学习方法？
US2QNet是一种无监督学习自编码器网络，通过预处理、聚类和后处理模块高效提取、聚类和可视化超声图像质量特征，能准确评估尿路超声图像质量；另一研究通过强化学习提出双层质量评估模型，用稀疏二进制注释训练，可胜任胎儿脑数据质量评估。
如何将不确定性映射用于医学分割的临床解释？
研究提出两阶段架构生成空间不确定性映射，使临床医生能观察系统何时及为何出错，并量化图像级别的失败预测，展示空间不确定性推理可作为预测分割质量的有用中间表示，该架构可适应任何基于深度学习的医学分割管道。
这篇综述主要讨论了医学图像分析中不确定性量化的哪些方面？
综述涵盖了概率和非概率不确定性量化方法，讨论了其在分割等任务中的应用与评估协议，指出需发展个体化评估方法，并强调了未来研究方向，旨在帮助临床和技术研究人员快速深入了解该领域。
