Fazekas评分预测新框架：不确定性映射揭示标签模糊区域，MCC达0.70！
Beyond Performance Metrics: Uncertainty Mapping of Label Ambiguity in Fazekas Score Prediction
📖 AI 总结
本研究针对医学图像分类中参考标签存在不确定性的问题，提出了一种超越传统性能指标的模型分析框架，并以脑室周围Fazekas评分预测为应用场景。Fazekas评分是评估白质高信号严重程度的序数视觉评定量表，已知受评分者间差异影响。研究中最佳预测模型的马修斯相关系数达到0.70，但性能随数据划分和损失函数而变化，使模型能力难以解读。为此，作者提出不确定性映射方法，将预测不确定性关联到学习特征表示中的位置，而非视为孤立标量，从而揭示类别边界过渡区域中更模糊、更易误分类的样本，并识别潜在的标签分歧，包括经专家复核发现与原始参考评分不一致的低不确定性误分类案例。研究还发现损失函数选择会影响不确定性分布，部分模型表现出更清晰的类别分离和更局部化的不确定性。该工作表明，不确定性映射可支持模型解释和在参考标签受模糊性影响时的针对性数据集审查。
🔑 关键词速览
| Fazekas评分 | 一种用于评估脑白质高信号严重程度的序数视觉评定量表，常用于脑小血管病影像分析。 |
| 不确定性映射 | 将模型预测的不确定性与其在特征空间中的位置关联起来的方法，用于识别类别边界模糊区域和潜在标签分歧。 |
| 马修斯相关系数（MCC） | 一种综合考虑真阳性、真阴性、假阳性和假阴性的分类性能指标，适用于类别不平衡场景。 |
| 评分者间变异性 | 不同评估者对同一病例进行评分时产生差异的现象，是医学图像标签不确定性的主要来源之一。 |
| 认识论不确定性 | 由模型知识不足或数据有限引起的预测不确定性，可通过增加数据或改进模型来降低。 |
📱 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