AI+医学博士论文 | Yale 2026 | 面向医学图像分析的深度学习推理阶段不确定性估计

医学实践往往建立在对不完整证据的解读之上。在临床工作流程中，单一的观测结果（如MRI扫描或少量的活检样本）往往支持多种合理的解剖学解读。尽管深度学习已成为处理此类证据的核心技术，但大多数模型在训练时往往倾向于输出单一的确定性解释。

本论文探讨了如何通过改进模型在推理阶段表达不确定性的方式，来获取其他同样合理的解读。研究重点在于随机推理方法，这类方法通过在推理时引入随机性（同时保持已学习参数不变）来探测不确定性。在此框架下，我们识别出了三个技术局限性，这些局限性制约了此类方法探索模型假设空间（hypothesis space）的有效性。

首先，我们考察了随机扰动的结构。标准的各种不确定性估计方法（如蒙特卡洛Dropout）通常对模型激活值进行独立扰动。这种做法引入的随机性与已学习表征的空间结构关联较弱，往往无法反映具有解剖学意义的模糊性。为此，我们提出了“蒙特卡洛频率域Dropout”（MC–FreqDrop），该方法在频域内运作，能够生成与结构边界相一致且具有空间连贯性的不确定性分布。我们还提供了变分推断视角的解释，将频域扰动视为对模型函数后验变异性的一种有理论依据的近似。

其次，我们探讨了扰动的幅度问题。尽管不同层级和输入之间的特征表征所包含的信息量存在显著差异，但现有的大多数方法仍依赖于固定的Dropout率。我们开发了Rate-In机制，这是一种基于信息论的方法，通过平衡表征压缩与预测充分性来动态调整推理时的随机性。该机制使得不确定性能够在证据薄弱处增加，同时在表征至关重要的区域保持稳定性。

最后，我们关注评估方法。常用的不确定性度量指标大多沿用自分类任务，往往无法捕捉空间结构信息。因此，这些指标难以区分无结构的噪声与具有临床意义的模糊性。我们引入了具有空间感知能力的评估指标，能够结合解剖学边界和空间误差模式来评估不确定性。

本论文以前列腺癌影像分析为例，展示了通过优化推理时随机性的结构、幅度和评估方式，可以使不确定性估计超越简单的独立噪声模型。最终，我们构建了一个统一的不确定性估计框架，该框架能更好地反映临床解读中基于假设的特性以及医学图像的空间逻辑。