[论文解读] A Review of Uncertainty Estimation and its Application in Medical Imaging

Ke Zou, Zhihao Chen+4 more|arXiv (Cornell University)|Feb 16, 2023

Explainable Artificial Intelligence (XAI)被引用 6

一句话总结

本文综述了深度学习在医学影像中的不确定性估计，将不确定性分类为认知不确定性（aleatoric）和认知不确定性（epistemic），并评估了蒙特卡洛 dropout、贝叶斯神经网络和变分推断等方法。文章强调了其在临床决策支持中的应用，例如标记分布外或低质量图像以供专家审查，并指出了关键挑战，包括不确定性缺乏真实标签以及计算复杂性。

ABSTRACT

The use of AI systems in healthcare for the early screening of diseases is of great clinical importance. Deep learning has shown great promise in medical imaging, but the reliability and trustworthiness of AI systems limit their deployment in real clinical scenes, where patient safety is at stake. Uncertainty estimation plays a pivotal role in producing a confidence evaluation along with the prediction of the deep model. This is particularly important in medical imaging, where the uncertainty in the model's predictions can be used to identify areas of concern or to provide additional information to the clinician. In this paper, we review the various types of uncertainty in deep learning, including aleatoric uncertainty and epistemic uncertainty. We further discuss how they can be estimated in medical imaging. More importantly, we review recent advances in deep learning models that incorporate uncertainty estimation in medical imaging. Finally, we discuss the challenges and future directions in uncertainty estimation in deep learning for medical imaging. We hope this review will ignite further interest in the community and provide researchers with an up-to-date reference regarding applications of uncertainty estimation models in medical imaging.

研究动机与目标

• 提供医学影像深度学习中不确定性估计技术的全面综述。
• 在医学图像分析中对不同类型不确定性（认知不确定性与认知不确定性）进行分类与分析。
• 评估集成不确定性估计的最新深度学习模型在提升临床可靠性方面的进展。
• 识别关键挑战，如不确定性缺乏真实标签以及在实际部署中计算复杂性的问题。
• 通过突出图像去噪、计数和检测等尚未充分探索的任务，为未来研究提供指导。

提出的方法

• 将不确定性分类为认知不确定性（数据驱动）和认知不确定性（模型驱动），并采用不同的估计策略。
• 综述了用于不确定性量化的技术，包括蒙特卡洛 dropout、贝叶斯神经网络、变分推断和 MCMC 采样。
• 使用熵、预测方差和预测区间（PI）估计等指标评估方法。
• 分析了在多种医学影像任务中的不确定性估计：图像配准、超分辨率、结节检测和图像重建。
• 提出利用多专家标注生成不确定性评估的代理真实标签，以适用于临床场景。
• 讨论了概率 U-Net 和高斯过程在不确定性感知分割与重建任务中的应用。

Figure 1: The example of eye disease screening AI system in the open clinical environment. (A) Traditional deep models are often trained with closed-world assumption, i.e , the distribution of test data is assumed to be similar to the training data distribution. (B) However, when deployed in real cl

实验结果

研究问题

• RQ1 在医学影像的深度学习模型中，如何有效估计并区分认知不确定性与认知不确定性？
• RQ2 在分割、检测和重建等不同医学影像任务中，哪些不确定性估计技术最为有效？
• RQ3 不确定性估计如何在癌症诊断等高风险临床决策场景中提升临床决策质量？
• RQ4 当不确定性缺乏真实标签时，评估不确定性估计方法面临的主要挑战是什么？
• RQ5 在图像去噪、计数等尚未充分探索的医学影像任务中，不确定性估计如何提供显著的临床价值？

主要发现

• 不确定性估计使模型能够标记低质量或分布外图像，从而提升实际临床部署中的安全性。
• 蒙特卡洛 dropout 和贝叶斯神经网络在胶质母细胞瘤生长预测和肺结节检测等任务中均表现出优异的不确定性量化性能。
• 多专家标注为不确定性的真实标签提供了可行的代理，使不确定性估计方法的评估更加可靠。
• 计算复杂性仍是实时部署的主要障碍，尤其对于 MCMC 和变分推断等方法。
• 不确定性估计在图像去噪、计数和检测等任务中尚未得到充分探索，表明这是未来研究的关键方向。
• 集成不确定性估计可增强模型的可靠性与可信度，支持人机协同的临床决策。

Figure 2: Visualization of the aleatoric (data) and the epistemic (model) uncertainty for the classification model.