MEGAN：用于内窥镜视频鲁棒不确定性估计的专家混合模型
图像与视频处理
2025-09-17 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
可靠的不确定性量化（UQ）在医学人工智能中至关重要。证据深度学习（EDL）提供了一种计算高效的方法，能够在给出预测的同时量化模型不确定性，这与蒙特卡洛Dropout（MC Dropout）和深度集成（Deep Ensembles）等传统方法不同。然而，所有这些方法通常依赖单一专家的标注作为模型训练的真实值，忽略了医疗保健中的评分者间变异性。为解决这一问题，我们提出了MEGAN，一种多方专家门控网络，它通过使用多样化真实值和建模策略训练的EDL模型，聚合来自多个AI专家的不确定性估计和预测。MEGAN的门控网络最优地结合了每个EDL模型的预测和不确定性，从而增强了整体预测置信度和校准度。我们在用于溃疡性结肠炎（UC）疾病严重程度估计的内镜视频上对MEGAN进行了广泛基准测试，该评估通过Mayo内镜评分（MES）的视觉标注进行，其中评分者间变异性普遍存在。在一项大规模前瞻性UC临床试验中，MEGAN的F1分数提高了3.5%，预期校准误差（ECE）降低了30.5%，优于现有方法。此外，MEGAN促进了不确定性引导的样本分层，减少了标注负担，并可能提高UC试验的效率和一致性。
引用
@article{arxiv.2509.12772,
title = {MEGAN: Mixture of Experts for Robust Uncertainty Estimation in Endoscopy Videos},
author = {Damola Agbelese and Krishna Chaitanya and Pushpak Pati and Chaitanya Parmar and Pooya Mobadersany and Shreyas Fadnavis and Lindsey Surace and Shadi Yarandi and Louis R. Ghanem and Molly Lucas and Tommaso Mansi and Oana Gabriela Cula and Pablo F. Damasceno and Kristopher Standish},
journal= {arXiv preprint arXiv:2509.12772},
year = {2025}
}
备注
11 pages, 2 figures, 1 table, accepted at UNSURE, MICCAI