集成模型把AURC砍半，零错误覆盖率从18%飙到72.8%！
Selective Prediction and Uncertainty-Aware Referral for Pap Smear Classification
📖 AI 总结
本文研究宫颈细胞学筛查中的选择性预测与不确定性感知转诊问题，指出深度学习模型不应被要求对每张涂片都给出确定判断，而可将低置信样本交由细胞病理学家复核。作者在Herlev巴氏涂片数据集上以正常与异常二分类为框架，微调Swin-Tiny和TinyViT-5M两个轻量Transformer，并采用温度缩放校准，与软投票集成模型进行对比。结果显示，两种配置在准确率和宏F1上无显著差异，但集成模型将风险-覆盖率曲线下面积减半（0.0022对0.0045，降低51.8%，五折均更低），并将零错误覆盖率从18.3%提升至72.8%；然而其绝对校准更差（ECE 0.0339对0.0247），假阴性也更多（14对10）。研究由此区分了按可信度排序预测的能力与置信度数值本身的准确性，前者决定风险-覆盖权衡，后者影响置信值的解读。
🔑 关键词速览
| 选择性预测 | 模型在不确定时可以选择不预测（转诊）的预测范式。 |
| 不确定性感知转诊 | 根据模型不确定性将病例转交给人类专家的机制。 |
| 风险-覆盖率曲线下面积 (AURC) | 衡量选择性预测中风险与覆盖率权衡的指标，值越低越好。 |
| 预期校准误差 (ECE) | 衡量模型置信度与实际准确率之间差异的校准指标。 |
| Herlev 巴氏涂片数据集 | 宫颈细胞学图像分类常用的公开数据集。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅