重新思考泛化性：标注风格对医学图像分割的影响

泛化性是机器学习模型的一项重要属性，尤其是那些将部署于医疗场景中的模型，因为不可靠的预测会带来现实后果。虽然模型在跨数据集时泛化失败通常归因于数据分布的不匹配，但性能差距往往是由“真值”标签标注中的偏差所导致的。这在病理结构（如病灶）的医学图像分割中尤为重要，因为标注过程更具主观性，并受到若干潜在因素的影响，包括标注协议、标注者教育/经验以及临床目标等。在本文中，我们表明对标注偏差进行建模而非忽略它们，为解释跨数据集标注风格差异提供了一种有前景的途径。为此，我们提出一种广义条件化框架，以（1）使用单一模型学习并解释多个数据集间不同的标注风格，（2）识别不同数据集中相似的标注风格以便有效聚合，以及（3）仅用少量样本将完全训练好的模型微调至新的标注风格。接下来，我们提出一种图像条件化方法来对与特定图像特征相关的标注风格进行建模，从而潜在地使检测偏差更易被识别。