医学影像分类的不确定性量化：基于共形预测的ResNet-50模型研究

本文介绍一项创新研究，将共形预测应用于医学影像分类任务，通过ResNet-50架构在TissueMNIST数据集上实现具有统计保证的预测集合输出，为医疗AI决策可靠性提供新思路。研究重点解决传统深度学习模型"黑盒"问题，通过不确定性量化提升临床应用安全性。

在医疗诊断领域，AI模型可靠性直接关系患者安全。传统深度学习分类器输出单一标签却无可信度度量，存在临床风险。不确定性量化是解决此痛点的方向，共形预测作为有统计保证的框架，可在不改变训练过程的前提下附加概率保证。本研究由Sedef Kjamili完成，将其应用于组织病理学影像分类，展示医疗AI潜力。

选用ResNet-50为基础分类器，在TissueMNIST数据集（含脂肪组织、背景、结缔组织等8种组织类型的28×28灰度图）训练。对比三种共形评分方法：LAC（集合紧凑，平均约2标签）、APS（覆盖率最高94.39%，平均约2.6标签）、Top-K（直观但集合波动大）。采用类条件共形预测策略，确保稀有类别可靠覆盖率。

95%置信水平下评估：APS最接近95%理论覆盖率，LAC集合最小。校准策略对比显示，更大校准集提升稀有类别覆盖率稳定性。置信度阈值扫描分析权衡曲线，为部署阈值选择提供依据。具体数据：LAC实际覆盖率89.96%，平均集合2.009；APS 94.39%，2.589；Top-K 93.54%，3.030。

集成Grad-CAM生成注意力热力图，验证模型关注病理相关区域，并展示不同候选类别关注差异。分析困难案例特征：组织形态相似、图像质量问题、边界案例，这些案例可标记需专家复核，形成人机协作安全网。

研究为医疗AI提供可证明的安全性保证，助力临床获批。未来方向：多尺度共形预测（全切片图像）、时序共形预测（纵向病例）、跨域泛化（不同医院设备）、与主动学习结合（指导标注资源分配）。开源项目推动医疗AI从"能用"到"可信"。