精选理由
这篇论文用具体数据告诉你，模型Dice高不一定安全，得看关键区域的校准情况。做医疗AI必读。
该论文评估了蒙特卡洛丢弃法（MC Dropout）在脑肿瘤分割中识别错误的能力。在126例BraTS21患者上测试了SegResNet和UNet-Res两个模型，MC Dropout保持了分割精度（|ΔDice|<0.01），且不确定性-误差对齐AUROC（熵H）约0.97。但全局对齐掩盖了区域差异：UNet-Res在增强肿瘤亚区域的熵仅为0.054，期望校准误差（ECE）达0.915，Dice仅0.714，显示严重误校准。标准Dice和AUROC无法检测这一失败模式。
AI 翻译 · 中文
该论文评估了蒙特卡洛丢弃法（MC Dropout）在脑肿瘤分割中识别错误的能力。在126例BraTS21患者上测试了SegResNet和UNet-Res两个模型，MC Dropout保持了分割精度（|ΔDice|<0.01），且不确定性-误差对齐AUROC（熵H）约0.97。但全局对齐掩盖了区域差异：UNet-Res在增强肿瘤亚区域的熵仅为0.054，期望校准误差（ECE）达0.915，Dice仅0.714，显示严重误校准。标准Dice和AUROC无法检测这一失败模式。
Glioma segmentation in multiparametric MRI is a critical component of treatment planning. A segmentation model that fails silently on treatment-critical sub-regions represents a patient safety risk that overlap-based met…