迷失于折中：当交叉验证不等同于用于不确定性估计的深度集成时
计算机视觉与模式识别
2026-05-25 v2 机器学习
摘要
在医学图像分割中，集成分歧被广泛用作认知不确定性的代理。在实践中，许多研究通过 K 折交叉验证（CV）构建集成，却将其称为“深度集成”（DE）。由于 CV 成员在不同的数据子集上训练，它们的分歧混合了种子驱动的变异与数据暴露效应，这可能会改变不确定性的解释方式。我们审计了近期的分割不确定性研究，发现术语与实现不匹配的情况很常见。然后，我们在三个跨三种模态的多标注者分割数据集上，在其他配置完全相同的情况下，将标准的 5 折 CV 集成与 5 成员 DE（固定训练集，不同随机种子）进行了比较。我们评估了校准、故障检测、模糊性建模以及分布偏移下鲁棒性的不确定性表现。DE 在保持分割精度的同时改善了校准和故障检测，而 CV 集成在所研究的数据集上有时与标注者间的变异性相关性更强。因此，集成的构建方式应根据研究问题进行选择：DE 用于面向可靠性的用途（例如选择性转诊/故障检测），而 CV 集成作为模糊性的代理。我们提供了一种轻量级的 nnU-Net 修改方案，能够在默认流程中实现 DE 训练。
引用
@article{arxiv.2605.18329,
title = {Lost in the Folds: When Cross-Validation Is Not a Deep Ensemble for Uncertainty Estimation},
author = {Tristan Kirscher and Markus Bujotzek and Yannick Kirchhoff and Maximilian Rokuss and Fabian Isensee and Kim-Celine Kahl and Balint Kovacs and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2605.18329},
year = {2026}
}
备注
Accepted for publication at MICCAI 2026