为三维医学分割校准类别相关的体积风险

可靠的体积分割对于临床诊断至关重要，但 MedSAM 等基础模型仍然是确定性的，并且在分布变化下缺乏校准的不确定性。现有的共形预测方法提供统计保证，但经常应用于 2D 并假设对称误差分布，因此它们无法捕获 3D 多类分割中出现的类特定偏差。我们提出了类感知非对称加权共形预测（CA-WCP），它将协变量偏移的潜在空间密度比加权与体积下限和上限的方向分位数相结合，并通过从验证集假阳性和假阴性率得出的特定于类的不对称因子来缩放每个边界。我们证明 CA-WCP 保留了每个类别的加权可交换性边际覆盖保证，并在 3D 脑肿瘤分割 (BraTS 2020) 和协变量平移下构建的合成多器官 CT 基准上对其进行了评估。在这两个基准上，观察到的 CA-WCP 覆盖范围的 95\% Clopper--Pearson 区间包含每个语义类别的标称 90\% 水平，而区间宽度相对于对称加权保形预测减少了 8--14\%。我们进一步将校准间隔编码为多模态大语言模型的结构化提示，以生成不确定性条件的放射学报告，将分布变化感知的不确定性量化与可解释的临床沟通联系起来。