医学图像分类中类间过渡不确定性的自适应共形重分布

医学图像分类常常因过渡类别而变得复杂，这些过渡类别的特征分布与相邻类别的特征分布重叠，从而产生模糊的决策边界。适形预测返回不确定性感知的预测集，但这些在需要单个决策的临床筛选中不能直接操作。这项工作提出了自适应共形重新分布（AdaConRed），这是一种无标签的共形后决策规则，可将模糊的预测集转换为精细的类分配。开发了五级管道。视觉语言生成增强解决了少数群体的稀缺问题；冻结的 DermFoundation 编码器提供嵌入；轻量级多层感知器执行分类；熵调制的、边缘感知的不合格分数构建自适应预测集；仅使用推理时的模型输出，将多标签集预测为过渡的样本重新分配给该集中最可能的替代类。评估使用 OSCC 口腔病变和 ISIC 皮肤病变基准，错误覆盖水平为 0.2。在3级OSCC基准上，总体准确率从73.54%提高到77.38%，口腔癌准确率从64.29%提高到82.14%，良性准确率从56.57%提高到70.20%。过渡样本的重新分配将 OPMD 准确率从 84.78% 降低到 80.16%，这与漏诊恶性肿瘤的不对称成本一致。在 ISIC 上，总体准确率从 85.83% 提高到 87.19%，黑色素瘤准确率从 66.04% 提高到 68.34%。在相同的骨干网和重新分配规则下，AdaConRed 的性能优于 LAC、APS 和 RAPS。适形预测可以超越不确定性量化，扩展到存在过渡性疾病类别的可操作决策支持，收益集中在临床关键的恶性类别。代码存储库：https://github.com/saibal436ghosh/AdaConRed。