⚡ electrical engineering

ConRad: Efficient Conformal Prediction for Radiomics

ConRad 是一个高效的符合性预测框架，它利用图像外观、掩码几何形状和分割不确定性来构建自适应的无分布预测区间，用于放射组学特征，在保持跨多种医学影像数据集近标称覆盖率的同时，显著提高了区间的效率。

原作者： Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan

发布于 2026-07-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名正试图通过一张模糊照片中的线索来破解谜团的侦探。你有一个机器人助手，它会在照片中的嫌疑人周围画出一个粗略的轮廓（即“掩码”）。基于这个轮廓，你的机器人会计算出一个“影像组学”（radiomic）数值——也许是嫌疑人帽子的大小，或者是外套的纹理。这个数值能帮助医生做出重大决策。

但问题在于，机器人并不完美。有时它会过度自信，画出一个看起来很扎实但实际上摇摇欲坠的轮廓。如果你仅仅根据机器人的数值就断言：“帽子的尺寸是10英寸”，你可能会出错，而且你甚至不知道自己错得有多离谱。你需要一个安全网，即一个可能的取值范围，比如：“帽子在8到12英寸之间。”

长期以来，科学家们一直尝试用一种“黑盒”方法来构建这些安全网。他们只观察最终的数值并猜测一个范围，却忽略了机器人是如何画出那个轮廓的。这就像是仅凭温度来猜测天气，却忽略了风力、湿度和云朵的形状。这种做法导致制作出的安全网过于宽大且笨拙。

于是，ConRad 出现了，这是由莱斯大学（Rice University）的 Matt Cheung 及其团队提出的一种新方法。你可以把 ConRad 想象成一位超级聪明的侦探，他不仅看最终的数值，还会检查机器人在工作时的“速写本”。他会问：“轮廓有多晃动？机器人在边缘处是否犹豫不决？形状有多大？”

通过使用这些额外的线索——特别是边界处的确定性（即机器人画作边缘的不确定性）——ConRad 可以缩小那些笨拙的安全网。它能让可能的答案范围变得更加紧凑且更有用，同时又不失去其保持正确率的承诺。

大规模测试

为了验证这是否真的有效，团队不仅仅是靠猜；他们进行了一次大规模的测试。他们使用了五种不同的医学影像数据集（例如皮肤、胃部内部、胸部X光片和甲状腺超声波的照片），并追踪了 171 个不同的影像组学目标（所有那些帽子大小、纹理和形状）。

他们将 ConRad 与旧有的“黑盒”方法以及一些稍微聪明一点的版本（这些版本虽然观察了图像，但忽略了摇晃的边缘）进行了对比。结果令人振奋：

在五种数据集中的四种上，ConRad 让安全网显著收窄了。例如，在甲状腺超声数据（TN3K）上，区间平均缩小了约 2.03%。在皮肤图像数据（HAM10000）上，提升了 5.47%。
它获胜的次数最多： 在 82.5% 的皮肤图像案例和 91.3% 的胸部 X 光片案例中，ConRad 提供的范围比表现最好的竞争对手更优（更窄）。
它保持了诚实： 尽管范围变小了，Conрад 依然履行了它的承诺。它在整个群体中仍能覆盖真实答案约 90% 的时间（目标设定为 1 − α = 0.9）。事实上，171 个目标中有 170 个都达到了这个 90% 的标准。

核心秘诀：边缘至关重要

其中一个最有趣的发现是弄清楚 为什么 ConRad 效果如此之好。团队玩了一个“如果我们去掉这个线索会怎样？”的游戏。他们逐一拿掉了关于形状、亮度以及预测数值的线索。

他们发现，边界不确定性（即关于机器人在边缘附近轮廓有多晃动的线索）才是真正的 MVP。它贡献了约 40.5% 的改进。事实证明，准确知道机器人是在哪里感到困惑（通常就在物体的边缘处）是收紧安全网最强大的方式。其他线索，如整体亮度或形状，虽然也有帮助，但远不及它。

它目前还做不到什么

了解 ConRad 不是在做什么非常重要。论文明确排除了以下几种情况：

它不是 3D 领域的万灵药： 测试仅针对 2D 图像（平面照片）。作者指出，3D 影像组学可能会有不同的表现，但他们尚未对此进行测试。
它不是对每个病例都保证有效的： 该方法保证在整个患者群体中达到 90% 的正确率（边际覆盖率）。它并不承诺会对每一个单独的患者或特定的亚组都正确。如果数据发生偏移（例如使用不同类型的扫描仪），该方法可能需要进行调整。
它不能一次解决所有问题： 目前，ConRad 对每个影像组学目标（如“帽子大小”或“外套纹理”）是分别处理的。它目前还无法同时处理复杂的、多部分的预测。

总结

ConRad 表明，通过关注机器人绘画边缘处的“手抖”现象，我们可以使医学预测变得更加精准和可靠。这是向确保医生在使用这些高级计算机测量值时，能够确切知道自己可以信任到什么程度迈出的重要一步。作者发现，这种方法在许多不同类型的医学图像中都表现良好，但也承认在处理 3D 扫描或复杂的多目标场景之前，仍有大量工作要做。

技术摘要：ConRad：针对影像组学的高效共形预测

问题陈述

源自医学图像和分割掩码的影像组学特征对于临床决策至关重要。然而在实践中，这些特征通常是从预测分割掩码（由自动化模型生成）中计算得出的。这些分割模型可能会过度自信或校准不良，导致派生的影像学测量值看起来比实际情况更可靠。

虽然不确定性量化（UQ）在高风险场景中至关重要，但标准方法通常将影像学测量视为任意标量输出，忽略了其生成的特定过程。现有的针对分割任务的共形预测（CP）方法通常侧重于像素级不确定性或基于体积的指标。它们无法为非体积型影像学目标（例如纹理、形状、强度分布）提供高效且经过校准的区间，因为它们未能利用关于图像外观、掩码几何形状以及分割不确定性的测试时信息。因此，直接的 UQ 方法由于未能利用预测掩码中所包含的信息，可能会错失显著的效率提升机会。

方法论：ConRad 框架

作者提出了 ConRad，这是一个共形框架，旨在为源自预测分割掩码的标量影像学目标构建自适应、高效的预测区间。该方法利用**共形分位数回归（CQR）**来学习条件分位数模型，从而根据病例难度调整区间宽度。

工作流

输入定义：对于病例 $i$ $i$ ，令 $A_i$ $A_{i}$ 为输入图像， $\hat{M}_i$ $\hat{M}_{i}$ 为预测分割掩码（推理阶段可用）， $M_i$ $M_{i}$ 为参考掩码（仅用于训练/校准）。影像学提取器 $\rho$ $ρ$ 将图像-掩码对映射为一个标量目标。
- 预测目标： $\hat{Y}_i = \rho(A_i, \hat{M}_i)$
- 参考目标： $Y_i = \rho(A_i, M_i)$
特征构建 ( $X_i$ )：ConRad 构建了一个特征向量 $X_i = (\hat{Y}_i, \hat{Z}_i)$ $X_{i} = (\hat{Y}_{i}, \hat{Z}_{i})$ ，其中仅使用测试时信息。 $\hat{Z}_i$ $\hat{Z}_{i}$ 包含四类协变量：
- 几何与拓扑：预测掩码中的像素计数、图像占用比例以及连通分量数量。
- 强度分布：预测区域内图像强度的统计数据（均值、标准差、最小值、最大值、百分位数）。
- 预测影像学特征：预测的影像学值本身，以及来自形状、一阶强度和纹理家族的其他预测特征。
- 边界不确定性：从预测概率图中导出的概率统计量和熵，特别是在边界带内（通过将掩码进行 1 像素的膨胀/腐蚀创建）以及全局范围内。
训练与校准：
- 训练：CQR 在训练集上训练下分位数（ $\hat{Q}_{\alpha/2}$ ）和上分位数（ $\hat{Q}_{1-\alpha/2}$ ）条件分位数模型。
- 校准：在不相交的校准集上，计算非一致性得分 $R_i = \max\{\hat{Q}_{\alpha/2}(X_i) - Y_i, Y_i - \hat{Q}_{1-\alpha/2}(X_i)\}$ 。确定一个共形分位数 $\hat{q}$ ，其为这些得分的 $\lceil(1-\alpha)(n+1)\rceil$ 阶统计量。
- 预测：对于新的测试用例，区间为 $S(X_{test}) = [\hat{Q}_{\alpha/2}(X_{test}) - \hat{q}, \hat{Q}_{1-\alpha/2}(X_{test}) + \hat{q}]$ 。
理论保证：在校准样本与测试样本之间满足可交换性假设的前提下，ConRad 保证有限样本边缘覆盖率： $\Pr\{Y_{test} \in S(X_{test})\} \geq 1 - \alpha$ 。

目标过滤

为了确保评估的意义，作者实施了过滤程序，以移除退化的影像学目标（例如具有缺失值、近乎常数值或零方差的目标），涵盖了形状、一阶强度和纹理/异质性三个特征家族。

核心贡献

ConRad 框架：提出了一种专门针对源自预测分割掩码的标量影像学目标的特征自适应共形预测框架。它显式地利用分割输出信息（几何、强度和边界不确定性）来提高区间效率。
评估协议：引入了一种尺度归一化的目标级评估协议。由于影像学特征在尺度和单位上各不相同，作者使用目标级胜率和对称相对宽度提升来评估效率，而非直接汇总原始区间宽度。

实验结果

该方法在五个 2D 医学影像数据集（HAM10000, Kvasir, COVID-QU-EX, TG3K, TN3K）上进行了评估，涵盖了皮肤病学、内窥镜、胸部 X 光和甲状腺超声。在过滤后，共保留了 171 个影像学目标。

性能表现

效率：与基线方法（拆分共形预测、仅使用预测值的 CQR 以及使用通用特征的 CQR）相比，ConRad 在保持接近标称经验覆盖率的同时，提高了特征级的区间效率。
- 平均相对提升：在大多数数据集中均观察到正向收益，范围从 2.03% (TN3K) 到 5.83% (TG3K)。
- 胜率：ConRad 在大多数情况下优于最强的基线，胜率范围从 55.3% (Kvasir) 到 91.3% (COVID-QU-EX)。
覆盖率：经验覆盖率保持在 90% ( $1-\alpha$ ) 的标称水平附近。最小平均目标覆盖率为 89.9%，且 171 个目标中有 170 个实现了至少 90% 的平均覆盖率。
消融研究：分组特征消融分析显示，边界不确定性特征是效率提升的最大贡献者，其平均归一化消融重要性占比为 40.5%。这表明，物体边界附近的分割不确定性提供了超越通用图像或掩码摘要的互补信息。

意义与声明

本文声称 ConRad 将度量级共形不确定性量化从简单的基于体积的分割测量扩展到了更广泛的影像学测量。通过利用关于分割输出及其不确定性的测试时信息，ConRad 在不牺牲形式化覆盖保证的前提下，构建了更窄的不确定性区间。

作者指出，虽然该方法提高了效率，但它提供的是针对可交换测试样本的边缘覆盖率，而非针对特定子群体的条件覆盖率。他们也承认了局限性，包括目前专注于 2D 数据集（3D 影像学行为可能有所不同）以及对有效概率图（用于边界不确定性）的依赖。这项工作旨在为临床成像中更可靠、具备不确定性感知能力的影像学流水线迈出一步。