在 SpineNet 中量化中枢通道狭窄症预测不确定性与符合性预测
Andrea Cina1,2,3, Maria Monzon4,5, Fabio Galbusera6
1Department of Health Sciences and Technology (D-HEST), ETH Zurich, Universitätstrasse 2, Zürich, 8092, Switzerland. andrea.cina@hest.ethz.ch.
Scientific reports
|January 10, 2026
概括
符合性预测 (CP) 量化了使用SpineNet.Net的脊柱管狭窄症 (CCS) 分级的不确定性. 类条件CP为医疗决策提供可靠,有信息的不确定性估计.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 放射学 放射学是一门学科.
背景情况:
- 从MRI中分类中央通道狭窄 (CCS) 对患者管理至关重要.
- 准确预测CCS严重程度对于临床决策至关重要.
- 在AI模型预测中量化不确定性对于临床采用至关重要.
研究的目的:
- 将合规预测 (CP) 方法应用于SpineNet,以量化CCS分类中的不确定性.
- 评估不同CP技术在CCS严重程度分级中的性能.
- 确定最可靠的CP方法用于CCS评估中的临床应用.
主要方法:
- 从340名接受T2加权MRI的患者中分析了1689个脊椎水平.
- 应用和评估四种合规预测方法:类条件CP,Top-k,最不含糊的集值分类器 (LAC) 和自适应预测集 (APS).
- 用于在校准/测试分割中进行稳定性评估的bootstrap重新采样;评估了多个显著性级别 (α).
主要成果:
- 类条件CP始终以最小的预测集实现所需的覆盖范围.
- 顶级k,LAC和APS方法显示出局限性,产生更大或更少的信息预测集,特别是在中度/严重的CCS.
- 类条件CP显示了类和级别特定的不确定性,中度/重度等级的较大集合,表明不确定性更高.
结论:
- 类条件CP是估计CCS分级不确定性的最可靠和临床信息方法.
- CP提供了一种透明的方法来评估SpineNet在医学预测中的可靠性.
- 这种方法通过提供量化的不确定性以及CCS严重程度分类来增强决策.
