基于谱归一化神经高斯过程的生物医学影像不确定性感知图像分类
计算机视觉与模式识别
2026-04-15 v2
摘要
准确的组织病理解释是临床决策的关键；然而，当前用于数字病理学的深度学习模型在外分布（OOD）设置下常常过于自信且校准不良，这限制了信任和临床采纳。安全关键的医学影像工作流程从天然的不确定性感知特性中受益，这些特性能够准确地拒绝OOD输入。我们实现了谱归一化神经高斯过程（SNGP），这是一组轻量级修改，应用谱归一化并将最终密集层替换为高斯过程层，以提高单模型的不确定性估计和OOD检测性能。在六个数据集上进行的三个生物医学分类任务测试（白血细胞、淀粉样斑块和结直肠组织病理学）显示，SNGP在分布内性能相当，同时显著改善了不确定性估计和OOD检测。因此，SNGP或相关模型为生物医学影像中的不确定性感知分类提供了有用的框架，支持安全部署并与病理学家建立信任。
引用
@article{arxiv.2602.02370,
title = {Uncertainty-Aware Image Classification In Biomedical Imaging Using Spectral-normalized Neural Gaussian Processes},
author = {Uma Meleti and Jeffrey J. Nirschl},
journal= {arXiv preprint arXiv:2602.02370},
year = {2026}
}
备注
Published at the IEEE International Symposium on Biomedical Imaging (ISBI) 2026