Dice 0.81 背后的隐忧：爱丁堡大学系统绘制超声分割模型的失效模式

文/IAICA.NGO®

用深度学习分割超声图像，速度早已不是瓶颈；真正棘手的问题在于——当模型判断失误时，临床与医学物理人员凭什么察觉？爱丁堡大学的一项新研究把这一疑问摆上台面。由 Agathe Bricout 与 Carmel Moran 领衔的团队在《Frontiers in Medical Technology》发表论文，系统检验了一个用于分割超声体模管道结构的神经网络，考察其可靠性、置信度校准与失效模式，并给出一个并不轻松的结论：一些被广泛用于建立医疗 AI 信任度的主流工具，其信息量可能远低于研究者的期待。

超声质量保证的现实命题

超声扫描设备是医院的主力军：实时成像、成本低廉、不含电离辐射，但在整个生命周期内必须持续接受质量保证检测。医学物理师的做法是扫描被称为体模的测试对象，以获得可预测、可控制的成像环境。爱丁堡管道体模（EPP）是专用装置，无壁、充液的管道悬浮于模拟人体组织的材料中，用以测量分辨率积分——一个无量纲的综合品质因子，代表灰阶超声扫描系统的整体成像性能。传统流程要求操作者人工判读每根管道最浅与最深的可见范围，耗时且存在观察者依赖性，自动化因此具有明显吸引力。

模型架构与不确定性估计

研究团队采用 U-Net 架构搭配 ResNet-18 主干网络，这一组合来自作者此前对多种分割模型的横向比较，它在当时表现最佳。网络接收单通道灰阶超声图像，输出管道与背景两类的 logits，采用带标签平滑的交叉熵损失与 Adam 优化器训练，ResNet-18 编码器以 ImageNet 预训练权重初始化。为便于估计不确定性，编码器每张特征图在解码前被独立施加概率为 0.3 的二维 dropout，使研究者在推理阶段可执行 20 次随机前向传播，并统计预测的逐像素方差。这就是蒙特卡洛 dropout，可被理解为近似贝叶斯推断。

数据集与验证设计

数据集共 162 张图像，由三台扫描仪（GE Logiq E10、Mindray A20、Samsung R20）搭配十种不同超声探头在爱丁堡管道体模上采集。一名受过训练的操作者遵循常规分辨率积分测量规程，将每根可见管道的最浅与最深可见性测量分别采集为独立优化的图像。半数图像被随机选取并水平翻转，以代表操作者握持探头时可能的两种朝向；每张图像裁剪为包含目标管道的方形区域，并缩放至 256×256 像素。真值二值掩膜由 VIA 标注软件人工分割目标管道生成，人工分割图像所得的分辨率积分值与相应视觉测量值仅相差 0.9 ± 0.3%，远优于此前报道的 3% 重复性水平。

结果揭示的落差

性能评估采用分层五折交叉验证：162 张图像被划分为五个互斥的外层折，分层依据是采集所用的具体探头，使十种探头在五折中的相对贡献大致均衡。模型整体 Dice 得分为 0.81 ± 0.03，95 百分位 Hausdorff 距离（HD95）为 11.98 ± 3.39 像素，各折留出集表现大体一致。这些数字看似体面，但研究的重心并不在分数本身，而在于错误发生的模式：模型的失误并非随机散布，而与探头类型、管道深度、图像朝向等采集条件相关联；更关键的是，常用的置信度与不确定性指标，未必能在这些情形下可靠地发出警示。

对自动化质量保证的启示

分辨率积分的自动化量化若能落地，将显著缩短医学物理师的重复劳动，并减少观察者之间的差异。但这项工作提示，把不确定度热图当作安全阀是不够的。跨扫描仪、跨探头的域偏移会持续制造长尾失效场景，模型在训练分布内表现良好，并不意味着它在新设备或新体模上依然可信。iaica.com.cn 指出，医疗 AI 的可信度建设应从单点性能指标转向覆盖设备、探头与操作流程的系统化失效清单，把不确定性估计与外部验证、人工复核机制组合使用，而非依赖任何单一工具充当兜底。对超声质量保证这类直接决定诊断成像质量的基础环节而言，清晰可解释的失效边界，比漂亮的平均分数更具临床价值。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。