基于轻量级CNN与选择性转诊的不确定性感知肺CT切片分类

《Scientific Reports》：Uncertainty-aware lung CT slice classification using a lightweight CNN with selective referral

　　

肺CT切片分类可支持图像级决策辅助，但确定性神经网络不能明确指示预测何时不可靠。本研究提出一种轻量级不确定性感知卷积神经网络（CNN），用于良性、恶性与正常CT切片的三分类，整合Monte Carlo（MC）Dropout、经验证集选择的选择性转诊与Grad-CAM可视化。在去除43个完全重复文件后，采用图像级划分对1,054幅IQ-OTH/NCCD图像进行分析，其中训练集842幅、验证集106幅、测试集106幅（随机种子42）。由于无法恢复可靠的患者标识符，本研究被视为内部图像级概念验证，而非患者独立的诊断验证。采用50次前向传递的MC Dropout，模型正确分类105/106幅测试切片，准确率达99.06%（精确95% CI：94.86–99.98%），加权F1分数为99.04%。唯一被误分类的良性切片被预测为正常，并表现出高预测不确定性。选择性转诊基于标量不确定性评分U = max(1 ? Confidence, H_norm, MI_norm, VR)，阈值取验证集U值的第80百分位数（τ_U = 0.174166），未使用测试标签或测试性能。该操作点接受88/106幅切片（覆盖率83.02%），转诊18/106幅（16.98%），观察到的接受准确率为100%（95% CI：95.89–100%），观察到的选择性风险为0%（95% CI：0–4.11%）。校准分析得到10箱等宽期望校准误差为0.0295，多类Brier分数为0.0137，负对数似然为0.0385。Deep Ensemble与Ensemble MC Dropout均正确分类全部106幅测试切片，但这些结果同样受制于图像级数据局限性。模拟低对比度与高斯噪声扰动降低了准确率并增加了转诊，表明不确定性评分对分布退化具有响应性。在Chest CT-Scan Images Dataset上单独重新训练的二分类轻量级CNN变体正确分类全部286幅癌症对正常测试切片（100%；95% CI：98.72–100%），但其经验证集选择的选择性转诊规则仅接受134/286幅切片（46.85%），并转诊了全部25幅正常测试切片。因此，第二数据集实验应被解释为数据集特异的图像级基准，而非对主要三分类模型的直接外部验证。这些发现支持进一步开展患者层面、多中心的不确定性感知CT切片分类与选择性转诊评估。

研究背景方面，肺癌仍是全球癌症相关死亡的主要原因之一，CT成像为评估肺部异常提供详细的横断面信息。深度学习尤其是卷积神经网络（CNN）在医学图像分类中表现优异，但分类准确率本身并不能指示单次预测是否可靠。传统确定性分类器即使面对模糊、退化或偏离训练分布的图像，通常也会为每个输入返回一个标签。在医学图像决策支持中，这一局限促使研究人员引入显式不确定性估计与选择性转诊，而非强制预测。本研究使用公开的IQ-OTH/NCCD良性、恶性与正常CT切片数据集。Monte Carlo（MC）Dropout通过在推理阶段保留dropout并采样多个随机子网络，提供了一种高效的近似贝叶斯方法；预测熵、互信息与变异比率则概括了预测不确定性的互补方面。模型校准同样重要，因为神经网络置信度可能与实际正确性不一致，尤其在数据集偏移条件下。选择性分类允许将不确定预测转诊而非自动接受，Grad-CAM则提供CNN预测贡献区域的定性可视化。据此，本研究评估一个整合轻量级CNN与多种不确定性估计器、经验证集选择的选择性转诊、校准分析、受控压力测试与定性Grad-CAM可视化的不确定性感知CT切片分类框架，并将研究定位为图像级决策支持研究而非患者级诊断验证。

研究人员开展的研究及结论与意义方面，本研究的主要贡献包括：在训练/验证/测试划分前执行完全重复去除以降低完全图像数据泄漏风险；设计一个具有6,664,387个可训练参数的紧凑任务特异CNN用于肺CT切片三分类；评估MC Dropout（50次随机前向传递）、Deep Ensemble（三个独立训练成员，种子42、142与242）与Ensemble MC Dropout（3 × 50次随机预测）作为不确定性估计策略；计算置信度、归一化预测熵、归一化互信息与变异比率以刻画预测可靠性；定义可复现的选择性接受或转诊规则，使用标量评分U = max(1 ? Confidence, Normalized predictive entropy, Normalized mutual information, Variation ratio)，操作阈值仅从验证集预测中选择；评估包括带精确95%置信区间的类别敏感度/特异度、ROC/精确率-召回率分析、图像级五折交叉验证、10箱等宽校准及Brier分数与负对数似然、风险-覆盖率分析、扩展的同划分基线、模拟域偏移压力测试以及单独重新训练的第二数据集基准；使用Grad-CAM进行模型注意力的定性分析，所生成热图不作为经验证的肿瘤定位图解释。研究结论为：50次传递MC Dropout正确分类106幅测试切片中的105幅（准确率99.06%；精确95% CI：94.86–99.98%；加权F1分数99.04%）；唯一误分类切片在测试样本中被赋予最高复合不确定性评分，并被验证集导出的选择性规则转诊而非自动接受；在选定操作点，88/106幅测试切片被接受、18幅被转诊，覆盖率83.02%，观察接受准确率100%（95% CI：95.89–100%），观察选择性风险0%（95% CI：0–4.11%）；不确定性估计方法比较显示Deep Ensemble与Ensemble MC Dropout均正确分类全部106幅测试切片，但其校准与转诊特征不同于MC Dropout，凸显仅凭分类准确率不足以刻画不确定性感知模型的可靠性行为；模拟压力测试进一步表明图像退化尤其是高斯噪声可降低准确率并增加转诊，支持在受控扰动下评估不确定性而非仅依赖干净测试性能的价值；单独重新训练的Chest CT-Scan二分类基准取得286/286正确的癌症对正常分类，但其选择性覆盖率仅46.85%，且全部25幅正常测试切片被转诊，因此第二数据集实验应解释为数据集特异的图像级基准而非原三分类模型的直接外部验证。研究的主要局限是可用IQ-OTH/NCCD工作副本缺乏可恢复的患者标识符，导致训练、验证、测试与交叉验证划分均在图像级创建，同一患者的相关切片可能出现在不同子集中，所报告结果应解释为内部概念验证证据而非患者独立临床验证。总体而言，所提框架展示了将CT切片分类与显式不确定性估计及验证集选择的选择性转诊相结合潜在价值，未来工作应聚焦患者层面与多中心评估、更大独立队列、亚组感知校准、真实扫描仪与采集偏移、前瞻性人机协作工作流研究以及解释图的定量验证；在此类验证完成前，该框架应视为不确定性感知CT切片分类概念验证而非临床验证的诊断系统。

关键技术方法方面（不超过250字）：研究采用内容去重后的IQ-OTH/NCCD图像级划分（842/106/106，种子42），构建含四个卷积块与dropout的轻量级CNN（6,664,387参数）；以MC Dropout 50次随机前向传递为主不确定性推理，并比较Deep Ensemble（种子42/142/242）与Ensemble MC Dropout（150次随机预测）；计算置信度、归一化熵、归一化互信息与变异比率并合成标量U，阈值取验证集第80百分位数；采用10箱等宽校准、Brier分数与NLL评估校准，风险-覆盖率分析评估选择性表现；开展模拟低对比度、高斯噪声与亮度扰动压力测试；另在Chest CT-Scan Images Dataset上单独重新训练二分类轻量级CNN变体作为数据集特异基准；Grad-CAM用于定性注意力可视化。样本队列来源为公开IQ-OTH/NCCD（Kaggle分发工作副本）与Chest CT-Scan Images Dataset。

研究结果方面，训练行为：种子42主实验中训练准确率从第1轮60.21%升至第7轮98.69%，验证准确率从73.58%升至第7轮最佳98.11%；训练损失从0.8745降至0.0485，验证损失从0.6992降至0.0521；早停后共训练14轮并恢复最佳验证权重；种子142与种子242集合成员最佳验证准确率分别为97.17%与99.06%。主要不确定性感知测试性能：50次传递MC Dropout正确分类105/106幅（99.06%；精确95% CI 94.86–99.98%），加权精确率、召回率与F1分数分别为99.08%、99.06%与99.04%，宏平均ROC AUC为1.0000、微平均ROC AUC四舍五入后为1.0000（0.99996）、微平均精确率0.99991；确定性单次传递同样正确分类105/106幅（99.06%），但MC Dropout为主要单模型不确定性结果；混淆矩阵显示唯一错误为良性切片预测为正常，全部55幅恶性测试切片正确分类；类别性能中良性敏感度90.00%（9/10；精确95% CI 55.50–99.75%），恶性敏感度100%（55/55；95% CI 93.51–100%），正常类精确率、召回率与F1分数为97.62%、100%与98.80%，恶性类均为100%，良性类精确率100%、召回率90.00%、F1分数94.74%；一类对其余ROC各曲线AUC为1.0000，微平均0.99996；精确率-召回率曲线类别平均精确率1.0000、微平均0.99991。五折交叉验证：在1,054幅去重切片上五折分层交叉验证平均图像级准确率97.82% ± 1.28%，各折范围95.73%–99.05%，因缺乏患者标识符仅作内部一致性估计。误分类案例不确定性轮廓：唯一MC Dropout错误的良性切片置信度0.4341、归一化预测熵0.9733、归一化互信息0.1638、变异比率0.42、复合U = 0.9733，超过固定验证导出阈值τ_U = 0.174166而被转诊。接受或转诊性能与风险-覆盖率分析：在τ_U = 0.174166操作点接受88/106幅、转诊18/106幅，覆盖率83.02%、转诊率16.98%，全部88幅接受切片正确分类，观察接受准确率100%（精确95% CI 95.89–100%）、观察选择性风险0%（95% CI 0–4.11%），唯一分类错误位于转诊切片中；风险-覆盖率分析按同一复合U排序，全覆盖率（106幅接受）时观察选择性风险0.94%，排除单一最高风险错误后报告的低覆盖率操作点观察风险为0%，预设验证选择操作点接受88幅（83.02%覆盖率）而非依据测试错误消失位置选择测试操作点；风险-覆盖率曲线显示自动化与转诊权衡，但因仅一个测试错误，不应解释为零风险操作点可泛化的证据。校准分析：MC Dropout测试ECE为0.0295，多类Brier分数0.0137，NLL 0.0385，平均置信度0.9693；10个等宽箱中5个非空，99/106预测位于0.9–1.0置信箱，唯一错误位于0.4–0.5箱（平均置信度0.4341），稀疏低置信箱仅含1–3幅图像，细粒度校准结论受限。模拟域偏移压力测试：干净MC Dropout准确率99.06%、转诊率16.98%；低对比度降低准确率至97.17%并增加转诊至51.89%；高斯噪声降低准确率至91.51%、转诊至38.68%；亮度降低保持99.06%准确率伴22.64%转诊，亮度升高产生98.11%准确率伴16.98%转诊；不确定性评分在各扰动下转诊所有观察错误，错误检测AUROC/AUPRC分别为干净1.000/1.000、低对比度1.000/1.000、高斯噪声0.935/0.440、亮度降低0.962/0.200、亮度升高1.000/1.000；最大分类退化出现在高斯噪声下，低对比度产生最高转诊率。代表性不确定与转诊案例：采用固定复合U阈值时，正确分类切片在不确定性轮廓超过τ_U时仍可被转诊，转诊表示不足以自动接受而非额外诊断类别；最终决策基于完整复合评分U而非仅置信度或熵，当随机子网络不一致时互信息与变异比率起作用。Grad-CAM分析：为代表良性、恶性与正常CT切片生成激活图，部分示例显示肺区激活，而更广泛激活可延伸至纵隔、胸壁或图像背景；因无放射科医师标注病灶掩膜，Grad-CAM仅作定性模型注意力可视化。扩展同划分比较：Deep Ensemble与Ensemble MC Dropout在该106幅划分上均达100%点准确率与100%良性敏感度，单模型MC Dropout为99.06%准确率与90%良性敏感度；这些有限样本结果应结合置信区间与图像级数据局限性解释。与近期IQ-OTH/NCCD研究比较：2023至2026年相关研究采用不同数据集版本、划分、增强策略、患者级控制与模型选择程序，其报告结果不作为受控基线；本研究贡献在于显式比较多种不确定性估计方法并使用可复现的验证选择选择性转诊规则，而非声称更优分类性能。单独重新训练的第二数据集基准：Chest CT-Scan Images Dataset下载1,000幅图像，全局去除153个完全重复并去除两个保守跨划分近重复，剩845幅；最终划分497训练、62验证、286测试；审计未检测到与IQ-OTH/NCCD的完全原始文件或标准化像素重叠，可靠患者标识符不可用故为图像级评估；单独重新训练的轻量级CNN变体（四个卷积块、全局平均池化、Dense(128)、dropout、二分类输出层）正确分类全部286幅测试切片（261癌症、25正常），观察准确率100%、加权F1分数（精确95%准确率CI 98.72–100%）、ECE 0.0757、Brier分数0.0314、NLL 0.0856；二分类选择性阈值τ_U = 0.161307取验证集U第80百分位数；测试中134/286幅接受（46.85%覆盖率）、152/286幅转诊（53.15%），观察接受准确率100%（95% CI 97.28–100%）、观察选择性风险0%（95% CI 0–2.72%）；但选择性覆盖率高度依赖类别：134/261幅癌症切片被接受，0/25幅正常切片被接受且全部正常切片被转诊，因此第二数据集结果未展示平衡选择性性能，亦非原三分类模型的直接外部验证。

讨论部分总结：本研究评估轻量级不确定性感知CNN用于良性、恶性与正常肺CT切片的图像级分类，强调不确定性估计与选择性转诊而非仅准确率。50次传递MC Dropout正确分类105/106幅（99.06%；加权F1分数99.04%），唯一误分类良性切片被预测为正常、在测试样本中具有最高复合不确定性评分并被固定验证导出规则转诊，说明选择性预测的预期作用：不确定性层不产生额外诊断类别，而是识别可能不适合自动接受的案例；但因仅一个错误，不应解释为所有未来错误均可被检测。在验证选择操作点，MC Dropout接受88/106幅（83.02%覆盖率）、转诊18/106幅，观察接受准确率100%、观察选择性风险0%，相应95%选择性风险区间0–4.11%强调有限样本不确定性。Deep Ensemble与Ensemble MC Dropout均正确分类106/106幅测试切片，但其校准与选择性行为不同于MC Dropout：三者ECE/Brier/NLL分别为0.0295/0.0137/0.0385、0.0375/0.0119/0.0418与0.0492/0.0155/0.0549，验证选择测试覆盖率分别为83.02%、83.96%与84.91%；这些差异表明相同或完美点准确率不意味着等价的不确定性或校准行为，支持在常规分类性能之外报告可靠性指标。模拟扰动实验进一步显示图像质量退化尤其高斯噪声下分类准确率与转诊行为改变，这些受控压力测试表明不确定性感知流程对图像质量变化的敏感性，但不替代真实多中心域偏移评估。与近期IQ-OTH/NCCD研究的比较应保持语境性，因已发表结果在不同数据集版本、划分、增强策略、患者级控制与模型选择程序下获得；本研究主要贡献是显式比较多种不确定性估计器与可复现的验证选择转诊机制，而非声称排行榜性能优越。单独重新训练的Chest CT-Scan二分类基准提供额外数据集特异证据：尽管全部286幅癌症对正常测试切片正确分类，仅46.85%被接受且全部25幅正常切片被转诊，这种类别依赖覆盖率说明为何应按类别报告选择性性能，以及为何仅凭完美点准确率不足以确立平衡可靠性。总体而言，发现支持不确定性感知CT切片分诊的可行性，同时与研究的图像级概念验证范围保持一致。临床解释方面，所提框架应视为实验性图像级决策支持方法而非诊断系统；其输出包括预测类别、预测置信度、归一化熵、归一化互信息、变异比率、复合不确定性评分U、接受/转诊动作与定性Grad-CAM可视化，这些量与单幅CT切片相关而不代表患者级诊断；接受的预测仍应为参考性，转诊的预测表明不确定性水平超过预设操作阈值且需要专家复核；重要的是，选定操作点观察0%选择性风险必须结合其95%置信区间0–4.11%解释，不应作为零临床风险证据呈现。优势方面：数据集划分前去除完全重复图像，数据划分程序、患者标识符审计与随机种子均明确记录；在同一图像级测试划分上评估三种不确定性估计策略，所有选择性决策均与数学定义的复合不确定性评分关联且阈值仅从验证预测选择；研究报告精确置信区间、校准指标、Brier分数、NLL、风险-覆盖率行为、明确压力测试参数、可估计时的错误检测指标、受控迁移学习基线以及单独重新训练的第二数据集基准，提高可复现性并提供比仅分类准确率更广泛的模型行为评估。局限方面：主要局限是可用IQ-OTH/NCCD工作副本缺乏可恢复患者标识符，导致训练、验证、测试与交叉验证均在图像级进行，尽管去除完全重复，同一患者相关CT切片仍可能分布于不同子集，该局限可能导致乐观性能估计并阻止结果解释为患者独立验证；主要测试集相对较小且仅含10幅良性切片，限制类别特异性能、校准与选择性风险估计的精度；Deep Ensemble与Ensemble MC Dropout在当前测试划分上无错误，无法可靠估计这些方法的错误检测AUROC与AUPRC，且不意味着零总体错误；第二数据集实验采用不同二分类癌症对正常分类体系与单独重新训练的轻量级CNN变体，因此不构成原三分类模型的直接外部验证，且其选择性转诊性能强烈依赖类别，全部正常测试切片被转诊；模拟对比度、亮度与高斯噪声扰动代表简化压力条件，不能完全复现扫描仪、采集协议、重建设置、机构、患者人群或疾病特征差异引起的真实世界变化；Grad-CAM可视化因无放射科医师标注病灶掩膜而仅作定性评估。结论翻译：本研究提出一种轻量级不确定性感知CNN框架用于良性、恶性与正常肺CT切片的图像级分类，结合Monte Carlo Dropout、Deep Ensemble、Ensemble MC Dropout、选择性转诊、校准分析与Grad-CAM可视化。50次传递MC Dropout正确分类106幅测试切片中的105幅，对应准确率99.06%（精确95% CI：94.86–99.98%）与加权F1分数99.04%。唯一误分类切片在测试样本中被赋予最高复合不确定性评分，并被验证集导出的选择性规则转诊而非自动接受。在选定操作点，106幅测试切片中88幅被接受、18幅被转诊， resulting in 83.02%覆盖率、100%观察接受准确率（95% CI：95.89–100%）与0%观察选择性风险（95% CI：0–4.11%）。不确定性估计方法比较显示Deep Ensemble与Ensemble MC Dropout均正确分类全部106幅测试切片，尽管其校准与转诊特征不同于MC Dropout，该发现强调仅凭分类准确率不足以刻画不确定性感知模型的可靠性行为。模拟压力测试进一步显示图像退化尤其高斯噪声可降低准确率并增加转诊，支持在受控扰动下评估不确定性而非仅依赖干净测试性能的价值。单独重新训练的Chest CT-Scan二分类基准提供额外数据集特异证据，取得286/286正确的癌症对正常分类，但其选择性覆盖率仅46.85%，且全部25幅正常测试切片被转诊，因此第二数据集实验应解释为数据集特异的图像级基准而非原三分类模型的直接外部验证。研究主要局限是可用IQ-OTH/NCCD工作副本缺乏可恢复患者标识符，导致训练、验证、测试与交叉验证划分均在图像级创建，同一患者相关切片可能出现在不同子集中，所报告结果应解释为内部概念验证证据而非患者独立临床验证。总体而言，所提框架展示了将CT切片分类与显式不确定性估计及验证集选择的选择性转诊相结合的潜在价值。未来工作应聚焦患者层面与多中心评估、更大独立队列、亚组感知校准、真实扫描仪与采集偏移、前瞻性人机协作工作流研究以及解释图的定量验证。在此类验证完成前，该框架应视为不确定性感知CT切片分类概念验证而非临床验证的诊断系统。