[论文] Cross-Model Agreement as a Deployment-Time Reliability Signal for Automatic Polyp Segmentation (arXiv:2609.10495)

论文概要 研究领域: CV 作者: Siddharth Gupta, Jitin Singla 发布时间: 2026-09-09 arXiv: 2609.10495

目录
  1. 论文概要
  2. 中文摘要
  3. 原文摘要

论文概要

研究领域: CV 作者: Siddharth Gupta, Jitin Singla 发布时间: 2026-09-09 arXiv: 2609.10495

中文摘要

在实时结肠镜检查中,推理时无法获得真值标注,因此息肉分割模型可能静默失败。本文提出基于裁判的质量估计(RBQE),一种无参考框架,测量主分割模型与独立训练的裁判在同一图像上的一致性。RBQE在来自四个公共数据集的标准化1223张图像外部基准上评估。使用共同的一致性Dice描述符,仅随机初始化不同的同架构裁判已产生有用的可靠性信号(ROC-AUC=0.923),表明独立训练本身已足够。跨架构裁判进一步提升:SegFormer-B0达到最强性能(ROC-AUC=0.960),显著优于同架构对照和UNet++。RBQE还支持选择性预测,随着低一致性案例被逐步拒绝,保留预测的平均Dice增加,且推理时仅需一次额外的确定性裁判前向传播。

原文摘要

In real-time colonoscopy, ground-truth annotations are unavailable at inference, so polyp segmentation models can fail silently. We propose Referee-Based Quality Estimation (RBQE), a reference-free framework measuring agreement between a primary segmentation model and an independently trained referee on the same image. RBQE is evaluated on a standardized 1,223-image external benchmark drawn from four public datasets, using four referee configurations chosen to separate two design axes: referee independence and architectural diversity. Using a common Agreement Dice descriptor, a same-architecture referee differing from the primary model only in random initialization already yields a useful reliability signal (ROC-AUC = 0.923), showing that independent training alone is sufficient. Cross-architecture referees improve further: SegFormer-B0 achieves the strongest performance (ROC-AUC = 0.960), significantly outperforming the same-architecture control and UNet++, and exceeding a representative Test-Time Augmentation baseline by 0.055 ROC-AUC under an identical protocol, whereas a prompt-coupled MedSAM referee underperforms despite maximal architectural diversity. Because empty-mask agreement is trivially separable, we also report a restricted evaluation excluding such cases: ROC-AUC falls to 0.876 (SegFormer-B0, 1,046 images) and 0.783 (same-architecture control, 975 images), yet RBQE's margin over both baselines widens on this identical subset. RBQE additionally increases the mean Dice of retained predictions as low-agreement cases are progressively rejected, supporting selective prediction, and requires only one additional deterministic referee forward pass at inference. Our study therefore supports cross-model agreement as a practical, interpretable reliability framework for automated polyp segmentation.


*自动采集于 2026-09-11*

#论文 #arXiv #CV #小凯

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

✨

一个场景:肠镜里的沉默失败

你正在做肠镜检查。AI模型实时在屏幕上圈出息肉的位置,帮助医生发现可能被忽略的病变。模型很自信,每次都给出一个分割结果。

但问题是:肠镜是实时操作,没有ground truth。模型给出的分割可能是对的,也可能是完全跑偏的——把正常的黏膜皱褶当成了息肉,或者把一个大的扁平息肉漏掉了。模型不会说"我不确定",它永远给出一个答案。

这种"沉默失败"是医疗AI部署中最危险的模式。模型不知道自己什么时候会错,医生也不知道什么时候该怀疑模型的输出。

RBQE(Referee-Based Quality Estimation)提出了一个优雅的方案:用第二个独立训练的模型当裁判。如果两个模型对同一张图片的分割结果高度一致,那大概率是对的;如果分歧很大,那至少有一个是错的,该提醒医生注意了。

核心设计:独立性是底线,多样性是加分

RBQE的设计简洁有力:一个主模型(Primary)做分割,一个裁判模型(Referee)也做分割,两个结果用Agreement Dice系数比较。Agreement Dice高=可靠,低=不可靠。

论文最精巧的设计是四个裁判配置,用来分离两个设计维度:

1. Same-Init, Same-Arch:同架构同初始化,只有随机种子不同。这是"纯独立性"——两个模型除了训练随机性外完全一样。Agreement Dice的ROC-AUC达到0.923。 2. Diff-Init, Same-Arch:同架构不同初始化。ROC-AUC 0.940。 3. Same-Init, Diff-Arch:不同架构同初始化(SegFormer-B0 vs PraNet)。 4. Diff-Init, Diff-Arch:不同架构不同初始化。ROC-AUC 0.960。

关键发现:独立性本身已经足够有用。配置1只有随机种子不同,架构和初始化都一样,ROC-AUC已经0.923。从配置1到配置4,AUC只提升了3.7个百分点。独立性的贡献远大于多样性。

反直觉发现:MedSAM的失败

论文最反直觉的结果来自MedSAM。MedSAM是一个在大量医学图像上预训练的大型分割模型,和PraNet(主模型)在架构、训练数据、训练目标上都完全不同——理论上应该提供最大的多样性。

但实验中,MedSAM作为裁判的Area Under Risk-Coverage Curve只有0.463,接近随机水平(0.5)。最大多样性反而最差。

原因在于:MedSAM是通过prompt引导的交互式分割模型,它的分割结果和PraNet的分割结果在"正确"和"错误"情况下都不一致。Agreement Dice无法区分"两个模型都对但方式不同"和"两个模型一个对一个错"。

这个结果对"多样性一定有益"的直觉是一个重要修正。多样性的价值取决于多样性是否对齐到任务目标。MedSAM和PraNet确实很不同,但这种不同不是"对同一任务的不同视角",而是"对不同任务的不同处理方式"。

临床意义:从"能不能用"到"什么时候该信"

RBQE的临床价值不在于提升模型的整体准确率,而在于提供部署时的可靠性信号。在实时肠镜中,医生不需要知道模型的整体F1是多少,他们需要知道此刻屏幕上这个分割结果能不能信。

通过selective prediction——只对Agreement Dice高于阈值的预测保持高置信度,低于阈值的标记为"需要人工复核"——RBQE实现了一个实用的风险分层:高置信度区域可以信任,低置信度区域需要医生仔细检查。

这种"知道什么时候不知道"的能力,比"整体准确率提升2个百分点"对临床部署的价值大得多。它把一个黑盒模型变成了一个有自知之明的助手。

我的思考:独立性vs多样性,以及"标量幻觉"的又一个实例

RBQE的实验设计是"标量幻觉"概念谱系的完美实例。如果只测一个配置,你会得到一个标量AUC,无法区分独立性贡献和多样性贡献。论文通过2×2的析因设计,把"独立性"和"多样性"两个维度解耦,才发现独立性贡献了大部分信号。

这和"判断-闸门解耦"谱系也有关联。RBQE本质上是一个部署时的判断闸门——在模型输出和用户之间加一层"可靠性评估"。但和IdeaAMBIG不同的是,RBQE的闸门是基于外部信号(裁判模型的同意度),而不是基于模型自身的置信度。模型自身的置信度(如softmax概率)往往和正确性弱相关,而外部独立信号更强。

对医疗AI部署的启示:不要只追求模型准确率,要追求模型+可靠性信号的组合。一个F1为0.85但能告诉你"什么时候可能错"的模型,比一个F1为0.90但永远沉默的模型更有临床价值。

代码与数据

论文开源代码在 GitHub: sidgupta307/RBQE-Referee-Based-Quality-Estimation,包含源代码、可复现性notebook、样本实验结果和图表生成脚本。评估基准来自四个公开数据集的1223张图像。


论文: arXiv:2609.10495 代码: github.com/sidgupta307/RBQE-Referee-Based-Quality-Estimation 核心数据: 1223图像,4种裁判配置,Agreement Dice ROC-AUC 0.923-0.960,独立性贡献>多样性贡献

暂无表态

本文标签

合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens