MedFormer-UR：基于不确定性路由的医用 Transformer
图像与视频处理
2026-04-13 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
为确保临床集成的安全，深度学习模型不仅需要高准确率，还需要可靠的不确定性量化。虽然当前的医用视觉 Transformer 表现优异，但经常表现出过度自信和缺乏透明度的问题，这些问题在噪声和不平衡的临床数据中尤为突出。为此，我们增强了修改版医用 Transformer (MedFormer)，该模型 incorporates prototype-based learning 和不确定性引导路由，通过采用 Dirichlet 分布来实现每个 token 的evidential 不确定性。我们的框架能够实时对不确定性进行量化和局部化。这种不确定性不仅是输出，更是训练过程中的活跃参与者，过滤不可靠的特征更新。此外，基于类的原型确保了嵌入空间的结构化，允许基于视觉相似性做出决策。跨四种模态 (乳腿钼片、超声、MRI 和组织病理) 的测试表明，我们的方法显著增强了模型的校准能力，通过最高可达 35% 的降低预期校准误差 (ECE)，并改进了选择性预测，即使准确率提升有限也仍具有意义。
关键词
引用
@article{arxiv.2604.08868,
title = {MedFormer-UR: Uncertainty-Routed Transformer for Medical Image Classification},
author = {Mohammed Maaz Sibhai and Abedalrhman Alkhateeb and Saad B. Ahmed},
journal= {arXiv preprint arXiv:2604.08868},
year = {2026}
}