セグメンテーションにおける不確実性を再考する：推定から意思決定へ

要旨: 医用画像セグメンテーションでは、不確実性の推定値がしばしば報告されるものの、意思決定を導くためにはほとんど利用されていません。本研究では欠けているステップ、すなわち不確実性マップを、受け入れ・フラグ付け・予測の保留といった実行可能なポリシーへどのように変換するかを検討します。セグメンテーションを「推定」と「意思決定」の2段階パイプラインとして定式化し、不確実性のみを最適化しても達成可能な安全性向上のほとんどを捉えられないことを示します。眼底血管セグメンテーションのベンチマーク（DRIVE、STARE、CHASE_DB1）を用いて、不確実性の2つの情報源（モンテカルロ・ドロップアウトとテスト時データ拡張）と3つの保留（deferral）戦略を組み合わせて評価し、さらに不確実で低い信頼性の予測を優先する、単純な信頼度を考慮した保留ルールを導入します。結果として、最良の方法とポリシーの組み合わせでは、ピクセルの保留率25%でセグメンテーション誤りを最大80%除去でき、かつデータセットをまたいだ強い頑健性を実現することを示します。さらに、不確実性の較正（calibration）改善は意思決定の質の向上につながらないことを示し、標準的な不確実性指標と実世界での有用性の間に断絶があることを浮き彫りにします。これらの知見は、不確実性はそれ単独で評価するのではなく、それが可能にする意思決定に基づいて評価されるべきだということを示唆しています。