知何时不预测：面向更安全糖尿病视网膜筛查的自监督学习与放弃权
计算机视觉与模式识别
2026-05-20 v1 人工智能
摘要
自监督学习（SSL）已成为医学图像模型的标准预训练方法，但性能仍主要依据下游准确率进行评估。对于糖尿病视网膜病理评分等安全关键筛查任务来说，这还不够：模型必须知道何时其预测不可靠，应 defer uncertain cases for clinical review。本文我们检验了SSL预训练时长如何影响校准置信度和基于置信度的放弃权。我们在固定的微调协议下评估了多个SSL checkpoint，并评估了校准置信度、覆盖率、选择性准确率和选择性宏F1分数。在各种数据集和数据规模下，SSL预训练相较于从头训练在选择性预测方面表现更佳。与之前的SSL研究主要评估下游准确率或AUROC不同，我们分析了SSL预训练时长如何影响基于校准置信度的放弃权下的置信度行为。然而，一旦准确率饱和，选择性性能在不同checkpoint之间仍可能发生显著变化，更长的预训练并不一定能持续改善可靠性。这些结果凸显了放弃权评估的重要性，表明预训练时长应被视为可靠性相关的重要设计选择，而不仅仅是计算细节。代码已在GitHub上提供。
引用
@article{arxiv.2605.19133,
title = {Knowing When Not to Predict: Self Supervised Learning and Abstention for Safer DR Screening},
author = {Muskaan Chopra and Lorenz Sparrenberg and Jan H. Terheyden and Rafet Sifa},
journal= {arXiv preprint arXiv:2605.19133},
year = {2026}
}
备注
Accepted at IJCAI 2026