本研究提出了一种基于证据学习损失的框架，量化三维物体检测中的不确定性，显著提升识别能力，平均提高基线性能10-20%。

本研究提出了多种基于证据学习的医学图像分割方法，结合涂鸦监督和不确定性估计，显著提升了心脏核磁共振图像和胰腺CT的分割性能。通过引入专家分歧和一致性正则化，增强了模型的校准和泛化能力，实验结果表明这些方法在多个数据集上超越了现有技术。