面向可靠且可解释医学图像分类的自适应保守预测
计算机视觉与模式识别
2026-05-14 v1 机器学习
摘要
医学影像深度学习模型常表现出过度自信，在模糊诊断情境中可能构成安全风险。虽然保守预测（Conformal Prediction, CP）提供分布无关的统计保证，但标准方法如正则化自适应预测集（Regularized Adaptive Prediction Sets, RAPS）针对平均效率进行优化，可能掩盖难样本上的严重失效。我们提出一种自适应 Lambda 准则，用于 RAPS，以最小化跨预测集大小分层的 worst-case 覆盖违规。在OrganAMNIST（58,850 颗腹部 CT 图像，11 类）上，标准大小优化的 RAPS 在分层下coverage不足的情况下趋于近乎确定性行为，而我们的方法实现了95.72%的全局覆盖率，平均集合大小为1.09，且所有分层至少达到90%的覆盖率。在PathMNIST（107,180 颗病理图像，9 类）上的跨域验证确认了其通用性。定量的 Grad-CAM 分析（rho = -0.30, p < 1e-22）显示，多标签预测对应于对解剖学上模糊区域的注意力聚焦。这些结果表明，所提方法在保持效率的同时提高了可靠性，适用于安全关键医疗 AI 应用。
引用
@article{arxiv.2605.12917,
title = {Adaptive Conformal Prediction for Reliable and Explainable Medical Image Classification},
author = {One Octadion and Novanto Yudistira and Lailil Muflikhah},
journal= {arXiv preprint arXiv:2605.12917},
year = {2026}
}
备注
To appear in IEA/AIE 2026 (Springer LNAI)