条件保守风险适应

不确定性定量化在图像分割中日益重要，尤其是对于像医学影像这样的高风险应用。虽然保守风险控制将保守预测扩展到各种损失函数（如假阳性率）之外，但其应用于分割往往导致条件风险控制不充分：一些图像经历非常高的假阴性率，而另一些则几乎没有。我们开发了保守风险适应(Conformal Risk Adaptation, CRA)，它引入一种新的评分函数，用于创建自适应预测集，从而显著改进分割任务的条件风险控制。我们建立了一种新颖的理论框架，表明保守风险控制与保守预测之间存在根本性联系，通过加权分位数方法实现，该方法适用于任何评分函数。为解决分割模型中准确率较差的挑战，我们引入一种专门的概率校准框架，以增强像素级包含估计的可靠性。使用这些校准后的概率，我们提出了校准保守风险适应(Calibrated Conformal Risk Adaptation, CCRA)及其分层变种(CCRAS)，后者根据图像特征将图像划分为特定组，并对每组应用特定阈值，以进一步提高条件风险控制。我们在结肠息肉分割实验中表明，所有三种方法(CRA、CCRAS和CCRAS)都提供了有效的边际风险控制，并且相对于标准方法在不同图像之间提供了更一致的条件风险控制，为高风险和个性化分割应用提供了一种原则的方法。