通过深度互学习进行病理学基础模型的不确定性估计

病理学基础模型 (PFM) 为全切片图像 (WSI) 分析提供了通用的表示，但其临床应用仍然有限。具体来说，他们的预测缺乏可靠的置信度估计，而且没有一个 PFM 能够在所有任务中普遍表现最佳，这严重损害了人们对医疗环境的信任。为了克服这个问题，我们提出了 $\mathtt{DICE}$，这是一个即插即用的框架，它集成了 $K$ 冻结的 PFM，并将它们的分歧建模为不确定性估计的代理。为了确保该代理产生有意义的估计，我们通过深度相互学习来调整集成成员，并从理论上表明该目标限制了模型不确定性的上限。此外，我们证明了集成的共识可以在补丁级别上定位异常，而无需任何明确的监督。我们在三个具有挑战性的 WSI 基准上评估 $\mathtt{DICE}$。值得注意的是，我们的框架提供了可靠的不确定性估计，可以准确标记分布内和分布外设置下容易发生故障的情况，同时在分类、校准和定位方面匹配或优于 SOTA 基线。总体而言，$\mathtt{DICE}$ 朝着将 PFM 转化为不确定性感知决策支持系统迈出了关键的一步。