增强糖尿病视网膜病变检测安全性：基于不确定性感知的深度学习模型及其驳回能力
图像与视频处理
2025-10-02 v1 人工智能
计算机视觉与模式识别
摘要
糖尿病视网膜病变 (DR) 是视力障碍的主要原因，有效的治疗选项高度依赖及时且准确的诊断。深度学习模型已在识别 DR 方面显示出巨大的成功。然而，仅依赖模型作出的预测结果而不提供任何置信度指示，会在临床环境中造成不确定性并引发重大风险。本文探讨了基于不确定性感知的深度学习模型，包括一种驳回机制以拒绝置信度较低的预测，结合临床实践中的推迟决策。结果表明，预测覆盖率与覆盖可靠性之间存在权衡。所采用的变分贝叶斯模型在预测 DR 时采用更保守的策略，从而拒绝不确定的预测。该模型通过重要绩效指标进行评估，包括：已接受预测的准确率、已接受案例的比例 (覆盖率)、驳回比率以及预期校准误差 (ECE)。研究发现，准确率与谨慎性之间存在明确的权衡，表明利用不确定性估计和选择性驳回可提高该模型在安全关键诊断用例中的可靠性。
引用
@article{arxiv.2510.00029,
title = {Enhancing Safety in Diabetic Retinopathy Detection: Uncertainty-Aware Deep Learning Models with Rejection Capabilities},
author = {Madhushan Ramalingam and Yaish Riaz and Priyanthi Rajamanoharan and Piyumi Dasanayaka},
journal= {arXiv preprint arXiv:2510.00029},
year = {2025}
}
备注
VBLL, Rejection threshold, Expected Calibration Error , Coverage, Rejection rate