ArXiv · 2025

Объясняет неопределенность в мультипликационном сегментации склероза, помимо ошибок прогнозирования.

СтатьяПрепринтНазвание и аннотация: Машинный перевод · не проверен

Обработка статьи · этапы, ошибки и управление

Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Molchanova Nataliia, Gordaliza Pedro M, Cagol Alessandro, Ocampo-Pineda Mario, Lu Po-Jui, Weigel Matthias, Chen Xinjie, Beck Erin S, Tsagkas Haris, Reich Daniel, Stölting Anna, Maggi Pietro, Ribes Delphine, Depeursinge Adrien, Granziera Cristina, Müller Henning, Cuadra Meritxell Bach

Аннотация

Достоверный искусственный интеллект (АИ) имеет важное значение для здравоохранения, особенно для выполнения таких важных задач, как сегментация медицинских изображений. Разъяснительная количественная оценка АИ и неопределенности значительно повышает надежность АИ за счет учета таких ключевых характеристик, как надежность, удобство использования и объясняемость. Несмотря на значительные технические достижения в деле количественной оценки неопределенности для медицинских изображений, понимание клинической информативности и интерпретируемости неопределенности остается ограниченным. Это исследование представляет собой новую основу для разъяснения потенциальных источников прогнозируемой неопределенности, в частности в сегментации коркового повреждения при множественном склерозе с использованием глубоких антенш. Предлагаемый анализ сместил акцент с взаимосвязи " неопределенность - насилие " на соответствующие медицинские и инженерные факторы. Наши выводы показывают, что неопределенность в зависимости от конкретного случая тесно связана с размером, формой и корковым участием. Отзывы экспертов-стайдеров подтверждают, что аналогичные факторы препятствуют укреплению доверия аннотаторов. Оценки, проведенные по двум наборам данных (206 пациентов, почти 2000 пострадавших) в условиях как внутридоменного, так и распределительного перехода, свидетельствуют о полезности этой системы в различных сценариях.

Оригинал публикации

Explaining Uncertainty in Multiple Sclerosis Lesion Segmentation Beyond Prediction Errors.

Trustworthy artificial intelligence (AI) is essential in healthcare, particularly for high-stakes tasks like medical image segmentation. Explainable AI and uncertainty quantification significantly enhance AI reliability by addressing key attributes such as robustness, usability, and explainability. Despite extensive technical advances in uncertainty quantification for medical imaging, understanding the clinical informativeness and interpretability of uncertainty remains limited. This study introduces a novel framework to explain the potential sources of predictive uncertainty, specifically in cortical lesion segmentation in multiple sclerosis using deep ensembles. The proposed analysis shifts the focus from the uncertainty-error relationship towards relevant medical and engineering factors. Our findings reveal that instance-wise uncertainty is strongly related to lesion size, shape, and cortical involvement. Expert rater feedback confirms that similar factors impede annotator confidence. Evaluations conducted on two datasets (206 patients, almost 2000 lesions) under both in-domain and distribution-shift conditions highlight the utility of the framework in different scenarios.

Объясняет неопределенность в мультипликационном сегментации склероза, помимо ошибок прогнозирования.

Ошибки и ограничения

Аннотация

Explaining Uncertainty in Multiple Sclerosis Lesion Segmentation Beyond Prediction Errors.