视觉医学基础模型的不确定性

准确的不确定性估计对于部署在医学等高风险领域的机器学习系统至关重要。传统方法主要依赖于训练模型（点预测）的概率输出，这对预测覆盖范围没有提供正式的保证，并且通常需要额外的校准技术来提高可靠性。相比之下，保形预测（区域预测）通过生成具有有限样本有效性保证的预测集，提供了一种原则性的替代方案，确保 真值 以指定的置信水平包含在该集中。在本研究中，我们通过研究特定领域的视觉医学基础模型与通用领域视觉基础模型，探讨了 预训练 方法、数据集规模和领域对点和区域级不确定性量化的影响。我们应用各种校准技术，对接受视网膜、组织病理学和胸部 X 射线数据训练的基础模型进行全面评估。我们的结果表明，（1）更高质量的特定领域数据集上的 预训练 以及自监督学习可以比通用领域 预训练 产生更好的校准点预测，（2）单独的标准重新校准方法不能完全减轻在不同数据源上训练的模型之间的不确定性差异，（3）特定领域的基础模型可以带来更有效的共形预测。这些发现强调了仔细选择模型以及点和区域预测集成对于增强医疗人工智能系统的可靠性和可信度的重要性。我们的工作强调在最近开发的医学视觉基础模型中需要采用整体方法来量化不确定性，以确保稳健且可解释的人工智能驱动决策。