技术摘要：PRISM —— 一种用于可解释形状建模的 3D 概率神经表示

1. 问题陈述

统计形状模型（SSM）旨在通过捕捉解剖几何结构的分布来量化生物学变异。在医疗研究中，一个关键挑战是建模解剖结构如何响应连续协变量（例如年龄 $t$）而发生演变，同时量化空间变化的确定性。现有方法面临显著局限性：

• 确定性模型： 如 NAISR 等方法实现了高保真度的条件生成，但本质上是确定性的，无法提供置信度或群体方差的量化。
• 经典统计图谱： 基于微分同胚映射（如 LDDMM）的方法在参数空间（如初始动量）中建模变异性。然而，将这种不确定性传播到图像域以获得解剖结构上的逐点偶然不确定性图谱在解析上是难以处理的，通常需要计算密集型的数值重采样（例如蒙特卡洛法）。
• 差距： 目前缺乏一个具有理论依据、能够以闭式形式直接将内在生物学模糊性映射到解剖空间，从而实现基于协变量的、具备空间分辨率的不确定性量化的框架。

2. 方法论

PRISM（概率可解释形状建模）将隐式神经表示与信息几何学相结合。它将形状演变建模为以协变量 $t$（例如生理年龄）为条件的连续异方差高斯场。

2.1. 条件形状分布

该框架在基于共同模板 $T$ 的位移场 $\phi$ 上运行。对于模板点 $p$ 和协变量 $t$，位移 $d$ 建模为：
$$d | p, t \sim \mathcal{N}(\mu(p, t), \Sigma(p, t))$$
其中 $\mu(p, t)$ 是平均发育轨迹，$\Sigma(p, t)$ 捕捉了总体的群体变异性。

• 架构： 一个基于坐标的神经网络 $f(\cdot)$ 参数化 $\mu$ 和 $\Sigma$ 的 Cholesky 分解因子 $L$（其中 $\Sigma = LL^\top$）。
• 分解： 模型将协变量驱动项与协变量无关的残差分离，以确保可辨识性。
• 训练： 为了避免由方差加权梯度导致的均值估计偏差，PRISM 采用了两阶段课程学习。它通过使用 $\ell_1$ 损失训练均值分支 ($\mu$)，并使用负对数似然（NLL）损失训练协方差分支 ($\Sigma$) 来隔离梯度传播，并在联合优化前进行均值预热阶段。

2.2. 内在时间估计

该框架引入了内在时间 $\tau$，这是一个潜在变量，代表了不同于生理时间 $t$ 的真实发育进程。

• 逆向编码器： 一个摊销（amortized）逆向编码器 $g(\cdot)$ 被训练用于直接将局部观测（模板点 $p$ 和位移 $d$）映射到估计的内在时间 $\hat{\tau}$。
• 训练： 编码器在由前向模型生成的合成三元组 $(p, d, \tau)$ 上进行训练，并最小化 $\ell_1$ 损失。这使得可以在无需测试时优化（test-time optimization）的情况下实现全解剖结构的稠密时间推理。

2.3. 时间不确定性量化

PRISM 利用费舍尔信息（Fisher Information）度量来量化内在时间的估计不确定性。

• 理论基础： 在假设群体平均内在时间等于生理时间（$E[\tau] = t$）的条件下，Cramér-Rao 不等式指出估计量的方差受限于费舍尔信息的倒数：$\text{Var}(\tau) \geq 1/I(p, t)$。
• 闭式度量： 对于异方差高斯模型，费舍尔信息具有可以分解为两项的闭式表达式：
  1. $I_\mu$（均值项）：来自均值轨迹演化的信息。
  2. $I_\Sigma$（协方差项）：来自群体离散度变化的信息。
• 选择： 作者仅保留 $I_\mu$ 作为时间不确定性度量。他们认为，虽然 $I_\Sigma$ 在统计上对于了解群体多样性具有信息量，但它对于定位个体在平均发育轨迹上的位置而言是正交的。
• 计算： 该度量通过对学习到的均值轨迹 $\frac{\partial \mu}{\partial t}$ 和协方差 $\Sigma^{-1}$ 进行自动微分来解析计算，避免了采样方差。

2.4. 应用

该统一框架支持：

• 连续形状轨迹： 在任意时空分辨率下生成规范的群体分布。
• 内在时间估计： 推断全局或局部的发育阶段。
• 个性化纵向预测： 通过假设受试者的时间 Z-score 保持不变，来预测未来的形状。
• 分布外（OOD）检测： 通过识别局部内在时间显著滞后于全解剖中位数的区域（经由局部不确定性归一化），来检测异常情况（例如声门下狭窄）。

3. 核心贡献

1. 条件概率隐式场： 一个能够从横断面数据中联合建模平均发育轨迹和空间变化群体变异性的框架。
2. 闭式费舍尔信息度量： 一种通过自动微分实现高效局部不确定性量化的解析可处理方法，消除了对蒙特卡洛重采样的需求。
3. 摊销逆向编码器： 一种无需测试时优化即可从局部形状估计内在发育时间的机制，实现了稠密的时间推理。

4. 实验结果

实验在三个合成数据集（Starman G/L, ANNY）和一个临床数据集（小儿气道）上进行。

• 均值轨迹重建： 与基线 A-SDF 和 NAISR 相比，PRISM 在重建误差（Chamfer, Hausdorff, Earth Mover's Distance）方面达到了竞争性或更优的表现。它有效地从稀疏数据中恢复了全局趋势。
• 内在时间估计：
  • 全局： PRISM 的摊销推理比基于测试时优化（TTO）的基线快一个数量级，同时保持了相当的准确度。
  • 局部： 在 Starman (L) 数据集上，PRISM 独特地实现了近乎完美的空间变化内在时间估计（手臂 vs. 腿部），而基线则缺乏这种能力。
• 不确定性量化： 在具有地面真值的合成数据上，PRISM 预测的 95% 置信区间与真实的条件分布紧密对齐。在临床气道数据上，不确定性带随空间变化，正确地识别出软组织区域（如舌根部）具有更高的变异性。
• 个性化预测： PRISM 在纵向预测任务中优于基线，展示了在训练范围之外的鲁棒外推能力。
• OOD 检测： 使用局部评分的 PRISM 在检测病理性气道狭窄方面显著优于所有全局时间方法（AUC 0.875 对比 NAISR 的 0.605）。这突显了全局方法在捕捉局部发育偏差方面的局限性。

5. 意义与主张

论文声称 PRISM 是第一个用于不确定性感知统计形状分析的隐式神经表示框架。其意义在于：

• 可解释性： 直接在解剖结构上提供空间连续且具有临床意义的不确定性估计。
• 高效性： 提供了一种闭式解，用于计算时间不确定性，与数值重采样相比具有极高的计算效率。
• 多功能性： 展示了一个统一的框架，能够在单一概率模型内处理从建模形状演变和个性化预测到异常检测的多种任务。
• 临床实用性： 成功将这些概念应用于小儿气道分析，其中区分生理变异与病理特征至关重要。

作者指出了局限性，包括目前依赖于单一标量协变量，以及需要对长期预测中的退行性疾病进行进一步验证。他们强调，临床转化需要针对目标人群进行外部验证，并提醒在个体变异接近协变量驱动的变异时，应谨慎解读预测结果。