稀疏贝叶斯网络：医学图像分析中的高效不确定性量化

高效地量化医学图像的预测不确定性仍是一个挑战。虽然贝叶斯神经网络 (BNN) 提供了预测不确定性，但需要大量计算资源进行训练。虽然集合贝叶斯近似方法显示出前景，但仍然存在高昂的训练和推理成本。现有方法主要关注提高 BNN 推理后的推断成本，几乎没有关注提高训练效率和降低参数复杂度。本研究引入了一种稀疏（部分）贝叶斯网络的训练程序。该方法通过评估参数的确定性显著性来选择性地将部分参数指定为贝叶斯参数。最终得到的网络结合了确定性和贝叶斯参数，利用这两种表示的优势，在实现高任务特定性能和最小化预测不确定性方面取得佳绩。在针对多标签 ChestMNIST 进行分类、ISIC、LIDC-IDRI 进行分割实验中，本方法在保持竞争性能的同时，实现了预测不确定性估计，将贝叶斯参数减少了超过 95\%，显著降低了相对于完全贝叶斯和集合方法的计算成本。