多标签胸 X 光片分类中不确定性基准测试及其解耦
机器学习
2025-08-07 v1 机器学习
摘要
可靠的不确定性量化对于建立信任的决策和医学影像 AI 模型的部署至关重要。虽然先前的工作探索了神经网络在合成或明确定义的数据设置（如自然图像分类）中对预测、认识和 aleatoric 不确定性进行信息论方法的能力，但其针对真实世界医学诊断任务的适用性仍未得到充分探索。在本研究中，我们为多标签胸 X 光片分类提供了广泛的不确定性量化基准测试，使用 MIMIC-CXR-JPG 数据集。我们评估了 13 种不确定性量化方法，适用于卷积（ResNet）和变换器基础（Vision Transformer）架构，涵盖广泛的任务。此外，我们将 Evidential Deep Learning、HetClass NN 和 Deep Deterministic Uncertainty 扩展到多标签设置。我们的分析提供了关于不确定性估计有效性以及解耦认识不确定性和 aleatoric 不确定性能力的见解，揭示了方法和架构特定的优势与局限。
引用
@article{arxiv.2508.04457,
title = {Benchmarking Uncertainty and its Disentanglement in multi-label Chest X-Ray Classification},
author = {Simon Baur and Wojciech Samek and Jackie Ma},
journal= {arXiv preprint arXiv:2508.04457},
year = {2025}
}