风险校准学习：最小化医疗 AI 中的致命错误
计算机视觉与模式识别
2026-04-15 v1
摘要
深度学习模型在医学图像分类中常常达到专家水平的准确性，但存在一个关键缺陷：语义不一致性。这些高置信度的错误（例如将恶性肿瘤误分类为良性）本质上与源于视觉模糊的可接受错误有所不同。与安全的细粒度分歧不同，这些致命失误会侵蚀临床信任。为此，我们提出了风险校准学习（Risk-Calibrated Learning），一种显式区分视觉模糊（细粒度错误）与灾难性结构错误的技术方法。通过将混淆感知的临床严重性矩阵 M 嵌入优化 landscape，我们的方法在不 requiring complex architectural changes 的情况下抑制了关键错误（假阴性）。我们在四种不同的成像模态上进行验证：脑肿瘤 MRI、ISIC 2018（皮肤色素变性）、BreaKHis（乳腺组织病理）和 SICAPv2（前列腺组织病理）。广泛的实验表明，我们的风险校准损失（Risk-Calibrated Loss）在所有四个数据集上一致降低了关键错误率（Critical Error Rate, CER），相较于焦点损失等最先进的基线方法，实现了 20.0%（乳腺组织病理）至 92.4%（前列腺组织病理）的相对安全性提升。这些结果确认，我们的方法在 CNN 和 Transformer 架构中都实现了更佳的安全性-准确性权衡。
引用
@article{arxiv.2604.12693,
title = {Risk-Calibrated Learning: Minimizing Fatal Errors in Medical AI},
author = {Abolfazl Mohammadi-Seif and Ricardo Baeza-Yates},
journal= {arXiv preprint arXiv:2604.12693},
year = {2026}
}
备注
This work has been accepted for publication in the Proceedings of the 2026 International Joint Conference on Neural Networks (IJCNN 2026). The final published version should be cited