不确定性开集模型

未见类也可靠识别

在预测疾病类别的同时给出不确定性分数，用于识别训练中未出现的视网膜异常类别，显著优于标准AI模型。

王猛 · Tian, Lin · Wang, Liaoyu · Lin, Aidi · Zou, Ke · Xu, Xinxing · 周祎 · Meng, Qingquan · Lin, Jianhong · 张铭志 · 朱伟芳 · 张长青 · 张道强 · Goh, Rick Siow Mong · Liu, Yong · Pui Pang, Chi · 陈新建 · 陈浩宇 · Fu, Huazhu

Nature Communications 2023

参数信息

F1分数（内部测试集）

99.55 %

F1分数（外部目标类别JSIEC数据集）

97.01 %

F1分数（TC-未见测试集）

91.91 %

技术优势

未见类也能识别

模型通过计算不确定性分数来表达置信度，从而识别出训练时未出现的视网膜异常类别。

自动触发人工复核

对非目标类别视网膜疾病、低质量眼底图像和非眼底图像，模型能给出高不确定性分数，提示需要人工检查。

显著优于标准模型

在三个测试集上，UIOS的F1分数均远高于标准AI模型，例如在内部测试集上为99.55%对92.20%。

应用场景

• 医学影像筛查：自动识别未见过的视网膜异常，减少漏诊。
• 疾病诊断：对训练中未出现的疾病类别给出高不确定性提示，辅助医生诊断。
• 智能医疗设备：模型可集成到眼底图像分析系统，实现自动筛查与人工复核触发。
• 眼科影像分析：在眼科影像分析中识别训练时未出现的异常类别，提升可靠性。