When Measurement Conventions Masquerade as Calibration Gains in Cardiac Digital Twins

技术摘要：当测量规范伪装成心脏数字孪生的校准增益时

问题陈述
心脏数字孪生依赖于一个“观测算子”（$H_{op}$）将临床图像（特别是超声心动图）映射为生理学测量值，如左心室射血分数（EF）。虽然近年来的深度学习流水线提升了分割精度（通常以 Dice 分数衡量），但 $H_{op}$ 的系统性误差会导致下游状态更新产生偏差，无论底层模型的质量如何。

研究识别出的核心问题是，校准研究往往假设一个固定的参考规范，从而导致了“幻觉”增益。具体而言，针对临床 EF 标签进行评估的模型可能看起来在校准方面有所改进，但这仅仅是因为它们无意中对齐了测量规范的不匹配（例如，单平面与双平面之间的差异），而不是因为它们真正减少了分割误差。作者认为，如果不将测量规范与模型性能解耦，数字孪生流水线可能会引入结构化偏差，从而扭曲生理状态的估计。

方法论
作者对使用四个共享 U-Net 主干网络的架构的 EF 观测算子进行了审计，并应用于两个主要数据集：CAMUS 和 EchoNet-Dynamic。

1. 评估的模型：
   • B1： 逐帧分割。
   • B2： 相邻帧平滑分割。
   • P1： 结合了 FiLM（特征线性调制）与相位头（phase head）。
   • P2： 增加了跨患者循环一致性和类 Mean-Teacher 式的 EMA 平均。
2. 观测算子： 使用单平面圆盘近似法（method-of-disks approximation）从心尖四腔心切面中提取容积和 EF，适用于所有模型。
3. 评估指标：
   • $EF_{MAE_{gt}}$： 相对于由相同提取器处理的地面真值（ground-truth）掩码的误差（隔离分割误差）。
   • $EF_{MAE_{clin}}$： 相对于临床 EF 标签的误差（包含规范不匹配）。
   • 偏差分析： 量化单平面提取器输出与双平面临床参考之间的差距。
4. 数据集：
   • CAMUS： 在留出的子集（$n=50$）上进行评估。临床 EF 是双平面（四腔心和两腔心视图），而提取器仅使用四腔心视图，这造成了已知的平面不匹配。
   • EchoNet-Dynamic： 在官方测试集（$n=1,287$）上进行评估。标签与提取器均为单平面（四腔心），作为平面对齐的复制实验，以测试当主要的偏差来源被移除时，“增益”是否依然存在。

核心贡献

1. EF 观测算子审计： 一个用于区分真实的模型改进与由测量-参考规范不匹配导致的伪影的框架。
2. 规范混淆的证据： 证明了相位调节模型（P1/P2）在 CAMUS 上的表观校准增益很大程度上是由单平面与双平面 EF 之间的差距解释的，而非通过改进分割。
3. 负向复制实验： 在平面对齐的 EchoNet-Dynamic 上的复制实验表明，当平面不匹配被移除后，“相位调节优势”消失了，甚至在某些情况下发生了反转。
4. 规范感知 EF 审计（CAEA）协议： 一个五步协议，旨在防止模型因测量-参考对产生的校准增益而获得不当的评价。

结果

• CAMUS 发现： 相位调节模型（P1/P2）在与双平面临床 EF 对比时，表现出向零值偏移减小的趋势，暗示了校准增益。然而，当针对由相同单平面提取器处理的地面真值掩码进行评估时（$MAE_{gt}$），所有模型的误差在统计学上是不可区分的。事实上，P1 显示出最大的 $MAE_{gt}$ 和最负的偏差。
• 规范差距： 研究量化了“单平面–双平面”的差距。单平面地面真值 EF 比双平面临床 EF 高出 +6.30 个百分点。这一偏移解释了 B1 模型观察到的几乎所有基准偏差。一旦减去该规范成分，剩余的分割偏差在统计学上与零无异。
• EchoNet-Dynamic 发现： 在平面对齐的设置下，CAMUS 的结果未能复制。基准模型（B1/B2）显示出负向偏差，而相位调节模型（P1/P2）并未比基准模型改善偏差。此外，P1 和 P2 在 10–20 个案例中产生了无效的 EF 估计值（即 $\hat{ESV} \ge \hat{EDV}$），这是一个在 B2 中不存在的部署风险。
• 下游影响：
  • 血流动力学： 在 CAMUS 条件下，EF 偏差传播到了显著的每搏输出量（SV）和心输出量（CO）误差（高达 ~16-18%）。在平面对齐的 EchoNet 条件下，这些误差降至 ~3–4%。
  • 分层分配： 规范不匹配导致频繁的 EF 分层分配不一致（例如，将患者分类为 HFrEF 与 HFpEF），在所测试的模型中发生率约为 44–54%。
  • 符合性预测（Conformal Prediction）： 与平面对齐的 EchoNet 评估相比，在受规范混淆的评估（CAMUS）下，残差宽度显著更大，表明校准残差包含的是结构化的参考不匹配，而非仅仅是分割噪声。

意义与主张
论文声称，以往文献中相位调节模型的所谓优越性可能只是测量规范造成的伪影。作者断言：

• 真实的增益必须在平面对齐后依然存在： 只有在对齐测量平面并审计了帧选择、轮廓和预处理的残余差异后，模型才能被授予校准改进的荣誉。
• Dice 指数是不够的： 高几何重叠（Dice）并不保证校准的生理测量值；舒张末期（ED）和收缩末期（ES）微小的轮廓偏移会被 EF 比率放大。
• 协议的必要性： 提出的**规范感知 EF 审计（CAEA）**对于分离真正的观测算子校准与测量伪影至关重要。它要求检查种子一致性、表征规范偏移，并在对齐的参考系下进行复制，以验证校准改进。

作者总结道，在评估的各种前端中，B2（相邻帧平滑）是最具部署价值的选择，因为它支持流式推理，不会产生无效的 EF 估计，并在平面对齐的设置中实现了最佳性能。研究强调，校准应针对完整的“模型–提取器–参考”对进行评估，而非仅仅针对模型架构。