基于深度集成不确定性量化的多标签胸部疾病诊断提升
计算机视觉与模式识别
2025-11-25 v1 机器学习
摘要
深度学习模型（如 CheXNet）在高风险临床环境中的实用性受限于其纯确定性本质，无法提供可靠的预测置信度度量。本项目通过整合稳健的不确定性量化 (UQ) 技术，构建一个用于诊断 14 种常见胸部疾病的高性能诊断平台，基于 NIH ChestX-ray14 数据集。最初的架构开发未能使用蒙特卡罗 Dropout (MCD) 稳定性能与校准，导致不可接受的预期校准误差 (ECE) 为 0.7588。此技术性失败促使我们进行一次严格的架构转向，采用 9 成员深度集成 (DE) 以实现高多样性。 resulting DE 成功稳定了性能，实现了最先进 (SOTA) 的平均受体运行特征曲线下面积 (AUROC) 为 0.8559 和平均 F1 分数为 0.3857。关键在于，DE 显示出优异的校准性能（平均 ECE 为 0.0728，负对数似然为 0.1916），并使我们能够可靠地将总不确定性分解为其可归因 (irreducible 数据噪声) 和可归因 (可化简模型知识) 组成部分，其中平均可归因不确定性为 0.0240。这些结果表明，深度集成构成了一个可信赖且可解释的平台，将模型从概率工具转化为可靠的临床决策支持系统。
引用
@article{arxiv.2511.18839,
title = {Enhancing Multi-Label Thoracic Disease Diagnosis with Deep Ensemble-Based Uncertainty Quantification},
author = {Yasiru Laksara and Uthayasanker Thayasivam},
journal= {arXiv preprint arXiv:2511.18839},
year = {2025}
}