GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

技术摘要：GRC-ProbNet —— 用于心血管疾病分类的不确定性感知特征提取

问题陈述
心血管疾病（CVD）仍是全球死亡的主要原因，因此需要高效的诊断工具。虽然深度学习在从心脏计算机断层扫描（CT）中自动检测心血管疾病方面取得了进展，但现有的流程通常依赖于确定性的分割掩码。这些确定性输出无法捕捉心脏解剖结构中固有的歧义性和评分者间的差异。因此，标准流程缺乏向后续分类任务传递有意义的不确定性的能力，从而限制了其在表示中间解剖学解释置信度方面的功效。

方法论
作者提出了 GRC-ProbNet，这是对现有混合型 GRC-Net 流程的扩展。与依赖单一确定性分割的前身不同，GRC-ProbNet 将一个不确定性感知框架集成到一个模块化的四阶段流程中：

1. 集成分割（Ensemble Segmentation）： 系统没有采用单一模型，而是使用五个独立微调的 Anatomix 模型（仅随机种子不同）组成的深度集成模型，为给定的输入 CT 生成多个合理的分割掩码。
2. 配准与图谱构建（Registration and Atlas Construction）： 这些多个掩码通过一个冻结的图谱图像与空间变换网络（Atlas-ISTN）进行处理。该阶段将分割结果配准到基于人群的健康图谱上，从而生成变形场和扭曲后的概率图。
3. 不确定性量化（Uncertainty Quantification）： 系统根据集成成员之间的分歧计算体素级不确定性图。它将预测不确定性分解为三种具体的表示形式：
   • 总预测熵（Total Predictive Entropy, $H$）： 捕捉了偶然不确定性（数据噪声）和认知不确定性（模型知识）。
   • 认知不确定性（Epistemic Uncertainty, 基于 Jensen-Shannon 散度）： 源自单个种子预测与共识均值之间的 Kullback–Leibler (KL) 散度，用于衡量模型的歧义程度。
   • 偶然不确定性（Aleatoric Uncertainty）： 通过从总熵中减去认知成分来计算，从而分离出固有的数据歧义。
4. 特征提取与分类（Feature Extraction and Classification）： 该流程为每个心脏结构提取三类特征：
   • 影像组学特征（Radiomic Features）： 每个结构包含 107 个特征（强度统计量、形状描述符、纹理），源自分割掩码内的 CT 强度。
   • 几何特征（Geometric Features）： 每个结构包含 3 个特征，源自相对于健康图谱的变形场。
   • 不确定性特征（Uncertainty Features）： 不确定性图通过两种策略聚合为图像级特征：全局（Global）（在所有体素上取平均）或 逐结构（Per-Structure）（在特定解剖区域内取平均）。
     这些特征被拼接在一起，并输入多层感知器（MLP）进行最终的心血管疾病分类。

核心贡献

• 框架引入： 本文引入了 GRC-ProbNet，这是一个混合流水线，它通过影像组学和几何特征提取阶段，传播了显式的不确定性表示（熵、KL 散度和偶然性图）。
• 系统性评估： 作者系统地比较了不同的不确定性类型（总熵、认知不确定性和偶然不确定性）以及不同的编码策略（全局 vs. 逐结构）相对于确定性基准的表现。
• 关于不确定性效用的新发现： 研究表明，与分割误差相关性最强的确定性指标，未必是下游分类性能表现最好的指标。

结果
实验在 MM-WHS 数据集上进行分割/不确定性评估，并在 ASOCA 数据集上进行下游 CVD 分类。

• 不确定性 vs. 分割误差： 在 MM-WHS 数据集上，总熵（Total Entropy） 显示出与分割误差最强的相关性（归一化互相关系数为 0.521），其次是偶然不确定性。KL 散度（认知不确定性） 的相关性最弱（0.408）。
• 分类性能： 在 ASOCA 数据集上，不确定性增强的模型通常优于确定性基准（GRC-Net，AUROC 为 91.25%）。
  • 编码策略： 逐结构不确定性编码的表现始终优于全局标量编码。
  • 最佳性能： 采用逐结构编码的 KL 散度（K.S.） 达到了最高的 AUROC，为 92.92%，略高于基于熵的变体（E.S. 为 92.71%）。
• 关键洞察： 虽然熵能最好地预测哪里出现了分割错误，但 KL 散度为疾病分类提供了最强的信号。作者认为，熵受边界模糊性的主导，而这种模糊性在健康和患病病例中都很常见；而 KL 散度捕捉到的模型分歧可能对于处于决策边界附近的病理解剖结构更具特异性。

意义与主张
本文声称，通过利用不确定性特征，GRC-ProbNet 实质性地提高了 CVD 分类性能（AUROC 92.92% vs. 91.25%）。其主要意义在于发现：如何对不确定性进行编码与是否包含不确定性同样重要。 具体而言：

1. 结构特定编码（Structure-specific encoding） 保留了全局汇总会丢失的必要空间信息。
2. 不确定性指标具有不同的用途： 最能反映分割质量（误差定位）的指标，并不自动成为下游临床任务的最佳预测因子。
3. 流水线设计： 这种方法对于混合医学成像流水线特别具有意义，因为在深度学习与非深度学习阶段之间存在显式的特征提取过程，这允许在最终分类之前对不确定性进行显式表示，而不是将其吸收进端到端的模型中。

作者总结道，未来的工作应涉及更大的队列、整合多位专家标注以模拟观察者间的差异性，以及进一步研究通过配准阶段的不确定性传播。