指向便携式超声成像乳腺癌分类方法的非同源检测
内容提要
该文综述了分布外（OOD）检测方法在计算机视觉与医学影像中的评估，指出视觉任务的高性能未必适用于医学成像；能量分数框架、深度集成及极值方法（如XOOD）可提升检测效果。医学领域如前列腺癌MRI和昆虫识别验证了OOD检测潜力，并提出新评估指标EPD。
延伸解读
计算机视觉与医学影像的OOD检测差异
文章指出，在计算机视觉任务中表现优异的OOD检测方法，未必能直接适用于医学影像任务。例如，基于胸部X线的疾病分类评估显示，这些方法在医学图像上的准确性并不理想。这提示研究者和开发者，在将OOD检测技术迁移到医学领域时，需重新评估其有效性，不能简单套用计算机视觉的结论。
能量分数框架的优势与效果
文章介绍了一种基于能量分数的统一OOD检测框架，理论上能更好区分内部分布和外部分布数据。实验表明，在CIFAR-10预训练的WideResNet上，使用能量分数将平均FPR（在TPR 95%处）降低了18.03%，且基于能量的训练在常见基准上表现优异。这为OOD检测提供了一种有潜力的改进方向。
深度集成与极值方法的进展
文章提到，深度集成方法能提升神经网络鲁棒性，但使用互信息指标时，其OOD检测效果比单一模型的熵指标差30-40%；而集成多个分类器的检测得分能更好提升Deep Ensemble OOD检测性能。此外，基于极值的XOOD框架在效率和准确性上优于现有方法，将FPR95降低50%，推理时间提高一个数量级。这些方法为OOD检测提供了新思路。
医学领域的应用验证与新评估指标
文章列举了OOD检测在医学领域的应用，如基于多流T2w方向的前列腺癌MRI检测，其AUC达到82.3，优于单一方向方法（73.1），展示了无监督OOD检测的潜力。在农业昆虫识别中，评估了最大软最大概率、马氏距离和能量三种算法。此外，文章提出新指标EPD，在11个CT和MRI OOD检测挑战中验证了其有效性，为医学图像分割中的异常检测提供了新评估标准。
Q&A
在医学影像中，计算机视觉任务表现好的OOD检测方法是否同样有效？
不一定。研究表明，在计算机视觉任务中高性能的OOD检测方法不直接转化为医学成像任务中的准确性，例如在胸部X线疾病分类中，这些方法可能无法识别接近训练数据分布的图像。
什么是基于能量分数的OOD检测统一框架？它有什么优势？
该框架使用能量分数作为得分函数和可训练成本函数来检测OOD数据，理论上能更好地区分内部分布和外部分布。与CIFAR-10预训练的WideResNet相比，使用能量分数将平均FPR（在TPR 95%处）降低了18.03%，并且基于能量的训练在常见基准上表现优异。
深度集成方法如何提升OOD检测性能？
深度集成方法通过集成多个分类器的检测得分来提升OOD检测性能。在大规模图片数据集中，使用互信息指标（OOD）的检测效果比单一模型的熵指标要劣30-40%，而集成多个分类器能更好地提升Deep Ensemble OOD检测性能。
XOOD框架是什么？它有哪些算法和优势？
XOOD是一种基于极值的新型OOD检测框架，包括完全无监督的XOOD-M和自我监督的XOOD-L。两者都依赖神经网络中激活层数据的极值信号来区分内部分布和OOD实例。实验证明，XOOD-M和XOOD-L在效率和准确性上均优于现有最先进方法，在降低误报率（FPR95）50%的同时将推理时间提高一个数量级。
在医学图像分割中，如何重新定义异常检测问题？EPD指标是什么？
通过使用Expected Performance Drop (EPD)作为新问题设计的核心贡献，重新定义了医学图像分割中的异常检测问题。该方法在11个CT和MRI OOD检测挑战中展示了有效性。
OOD检测在前列腺癌MRI和昆虫识别中有哪些应用？
在前列腺癌MRI中，基于多个T2w方向的多流方法进行无监督离群分布检测，取得了比单一方向方法更好的检测效果（AUC：73.1对比82.3），表明了MRI在前列腺癌症状检测中无监督离群分布检测的潜力。在农业领域，评估了基于最大软最大概率、马氏距离以及基于能量的三种OOD算法对昆虫识别分类器性能的影响。
