COMPASS: Robust Feature Conformal Prediction for Medical Segmentation Metrics

• 会议: ICLR2026
• arXiv: 2509.22240
• 代码: GitHub
• 领域: 医学图像分割 / 不确定性量化
• 关键词: conformal prediction, medical segmentation, uncertainty quantification, feature perturbation, covariate shift

一句话总结

COMPASS 通过在分割网络的中间特征空间沿对目标度量最敏感的低维子空间进行线性扰动来构建 conformal prediction 区间，在四个医学分割任务上实现了比传统 CP 方法显著更窄的预测区间，同时保持有效覆盖率。

研究背景与动机

领域现状: 医学图像分割中，临床价值通常不在于像素级分割精度，而在于由分割推导出的下游度量（如器官面积/体积等放射组学指标）。Conformal Prediction (CP) 是一种无分布假设的不确定性量化框架，可为预测提供统计保证。

痛点: (1) 像素级 CP 方法（如生成像素级可信集）提供的保证与实际临床关心的标量度量不对齐；(2) 将分割-度量管道当作黑盒直接对输出标量做 CP（Split CP），区间虽对齐但效率低（区间太宽），因为未利用神经网络的归纳偏置。

核心矛盾: Feature CP (FCP) 已证明在语义特征空间中工作可以生成更紧的区间，但 FCP 需要在高维特征空间中求解复杂的对抗优化问题，对典型 CNN/Transformer 的特征维度计算不可行。

目标: 设计一种计算可行的 Feature CP 方法，利用分割网络的中间表征为下游临床度量生成高效（窄）且有效（覆盖率有保证）的预测区间。

切入角度: 不在全维特征空间搜索，而是利用目标度量关于特征的梯度 Jacobian 找到低维敏感子空间，只沿该方向扰动。

核心 idea: 对分割网络中间层特征计算目标度量的 Jacobian，通过 PCA 提取主方向作为扰动方向，沿此方向线性扰动特征即可单调改变度量——因此仅需两次前向传播（正/负端点）即可高效构建嵌套预测区间。

方法详解

整体框架

COMPASS 要解决的问题是：给一张医学图像和一个训练好的分割网络，临床真正关心的是分割推出的标量度量（如器官面积），怎样为这个度量配一条又窄又有覆盖率保证的预测区间。它把分割网络看成三段串联——编码器 \(f: \mathcal{X} \to \mathcal{Z}\) 把图像压成中间特征、解码器 \(g: \mathcal{Z} \to \mathcal{S}\) 还原分割、度量函数 \(h: \mathcal{S} \to \mathbb{R}\) 算出标量。整条 pipeline 的核心动作是「在特征空间里轻轻推一下特征，看度量怎么变」：先对中间特征 \(\hat{z}\) 算出度量最敏感的扰动方向 \(\Delta\)，再让特征沿这条方向移动 \(\pm\beta\)、经 \(g\) 和 \(h\) 传播，度量随之变化的范围就构成预测区间 \(S_\beta(x) = [\min_{b \in [-\beta, \beta]} m_x(b),\, \max_{b \in [-\beta, \beta]} m_x(b)]\)；最后用 conformal calibration 把 \(\beta\) 调到目标覆盖率，遇到校准/测试分布不一致时再加一层密度比加权。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    X["医学图像 X"] --> ENC["编码器 f<br/>→ 中间特征 ẑ"]
    ENC --> D1["Jacobian PCA 找敏感方向<br/>度量对特征求 Jacobian→PCA<br/>主方向 Δ（COMPASS-J）"]
    D1 --> D2["线性扰动天然嵌套<br/>沿 Δ 移动 ±β →解码 g+度量 h<br/>取值范围=嵌套区间 S_β(x)"]
    D2 --> CAL["conformal 校准<br/>调 β̂ 满足 1−α 覆盖率"]
    CAL --> D3["加权 COMPASS<br/>密度比 w(X) 重加权<br/>抵消协变量偏移"]
    D3 --> OUT["度量预测区间<br/>窄且覆盖率有保证"]

关键设计

1. Jacobian PCA 找敏感方向：把全维搜索压成一条直线（COMPASS-J）

FCP 之所以不可行，是因为它要在成百上千维的特征空间里做对抗优化。COMPASS 换了个思路：与其在所有方向上找，不如只盯住特征里对目标度量影响最大的那个方向。具体做法是，对训练集中每个样本 \(i\) 计算目标度量 \(\hat{y}\) 对特征 \(\hat{z}_i\) 的 Jacobian \(J_i = \frac{d\, h(g(\hat{z}_i))}{d\hat{z}_i}\)，再沿空间维度求和压成通道级向量 \(\mathcal{J}_i\)；对训练集所有 \(\mathcal{J}_i\) 做 PCA，取前 \(L\) 个主成分 \(V_L\)。任意新样本的扰动方向就是它的 Jacobian 在这组主方向上的投影并归一化：

\[\mathbf{d}_i = V_L V_L^T \mathcal{J}_i, \quad \Delta_i = \mathbf{d}_i / \|\mathbf{d}_i\|_2\]

之所以敢只取主方向，是因为第一主成分通常解释了 >90% 的度量方差（实验验证）。更关键的是，沿这个主方向扰动在四个数据集上都表现出单调的度量变化——度量随扰动幅度只增不减或只减不增。单调意味着预测区间不必扫描整段 \([-\beta, \beta]\)，只评估正负两个端点就拿到了最值，把高维优化彻底简化成两次前向传播。

2. 线性扰动天然嵌套：让覆盖率保证白送

CP 要有统计保证，预测集必须满足嵌套性——区间参数变大时旧区间被新区间包住。深度特征空间是非线性的，嵌套性并不是平凡成立的。COMPASS 用一个 conservative envelope 的构造绕过这个难点：把预测集定义为扰动区间上度量的取值范围 \(S_\beta(x) = [\min m_x(b), \max m_x(b)]_{b \in [-\beta, \beta]}\)。因为 \(\beta_1 \leq \beta_2 \Rightarrow [-\beta_1, \beta_1] \subseteq [-\beta_2, \beta_2]\)，更大的扰动范围里取最值只会让区间变宽不会变窄，于是 \(S_{\beta_1} \subseteq S_{\beta_2}\) 从定义上就成立。有了嵌套性，再配上标准 CP 的交换性条件，marginal coverage 直接得到保证：

\[\mathbb{P}(Y_{n+1} \in S_{\hat{\beta}}(X_{n+1}) | D_{\text{tr}}) \geq 1 - \alpha\]

3. 加权 COMPASS：用密度比抵消分布偏移

校准集和测试集分布不一致（协变量偏移）时，等权分位数会算偏、覆盖率失守。COMPASS 训练一个辅助分类器去区分校准样本和测试样本，由它估计密度比 \(w(X_i) = p_{\text{test}}(X_i) / p_{\text{cal}}(X_i)\)，再用加权符合性分位数替代等权分位数来还原目标覆盖率。这里的讲究在于喂给分类器的输入：用模型深层特征或 Jacobian，而不是类别标签或 logits——前者携带的度量敏感信号更丰富，对偏移更敏感，因此在实验中两个偏移方向上都能稳住覆盖率。

损失函数

COMPASS 不修改分割模型的训练。面积度量通过对 logits 应用 soft sigmoid 后求和得到（可微），使 Jacobian 计算可行。

实验关键数据

主实验：不同 CP 方法的区间大小（像素², Mean±Std, α=0.10）

数据集	COMPASS-J	COMPASS-L	E2E-CQR	Local CP	Output-CQR	SCP
H&E	3160±336	3139±375	3433±293	4223±558	3879±369	3509±333
Skin Lesion	1179±53	1208±58	1351±75	2433±101	4581±36	1813±127
Nodule	2444±174	2510±180	2788±154	3311±133	5603±57	3076±200
PolyP	4056±293	4397±469	6184±616	5965±1011	4981±675	6237±564

COMPASS-J 在所有数据集的所有 α 水平上均产生最窄区间。相比 SCP，Skin Lesion 上区间缩窄 35%，PolyP 上缩窄 35%。

消融实验：加权 CP 在分布偏移下的表现（α=0.10）

方法	H&E (hard shift) 覆盖率	Skin Lesion (easy shift) 覆盖率
无加权 SCP	❌ 欠覆盖	✅ 过覆盖
类别加权 SCP	✅	❌ 欠覆盖
COMPASS-L + 特征加权	❌ 欠覆盖	✅
COMPASS-J + 特征加权	✅ 最窄	✅ 最窄
COMPASS-J + Jacobian 加权	✅ 最窄	✅ 最窄

只有 COMPASS-J（深层特征或Jacobian加权）在两种偏移方向上同时维持目标覆盖率，且区间最窄。

关键发现

1. 单调性普遍成立: 沿 COMPASS-J 方向扰动在所有四个数据集上均导致度量单调变化，使得高效端点算法成立
2. 压缩幂律关系: 特征空间分数 \(R_{\text{COMPASS}}\) 与输出空间误差 \(R_{\text{SCP}}\) 之间存在亚线性缩放（log-log 斜率 <1），系统性压缩尾部分布，这是区间更紧的根本机制
3. 深层表征 > 浅层: COMPASS-J（深层特征）始终优于 COMPASS-L（logits），因为深层特征提供更丰富的度量敏感信号

亮点与洞察

• "沿敏感子空间扰动"的核心思路优雅简约：Jacobian→PCA→一条直线→两个端点，将 FCP 的不可行优化问题简化到两次前向传播
• 单调性的经验验证非常关键——它是高效算法的前提，且可通过 Jacobian 第一主成分的解释方差预判
• 压缩幂律的发现为 COMPASS 的效率优势提供了深层解释，不仅是经验观察
• 加权 COMPASS 在分布偏移下的鲁棒性有实际临床意义

局限性

• COMPASS 性能依赖于预训练模型表征的质量——若特征与度量关系非单调，需退化为全扫描算法
• 加权 CP 在大分布偏移（校准与测试集特征空间重叠不足）时密度比估计不准确
• 仅验证了面积度量，对纹理、形状等更复杂度量的适用性未探讨
• 基于 U-Net 架构验证，对 Transformer 类分割架构的最优层选择可能不同

相关工作与启发

• Feature CP (Teng et al., 2022): 首次证明特征空间CP可产生更紧区间，但对抗搜索不可行
• Lambert et al. (2024): 端到端 CQR 用 Tversky 损失训练像素级上下界，优化的是代理目标而非目标度量
• Split CP / CQR: 标准输出空间方法，简单但区间宽
• 启发: COMPASS 的"Jacobian→PCA→主方向扰动"范式可推广到任何可微度量的不确定性量化（3D体积、形状指标等）

评分

⭐⭐⭐⭐⭐ (5/5)

• 创新性: ⭐⭐⭐⭐⭐ — 将 FCP 的计算瓶颈通过 Jacobian PCA 降维优雅解决，理论证明和经验验证都很扎实
• 实验: ⭐⭐⭐⭐⭐ — 4 数据集 × 3 α 水平 × 6 基线 × 100 随机划分，标准+分布偏移+消融，极为充分
• 实用性: ⭐⭐⭐⭐⭐ — 代码开源、即插即用、对临床度量不确定性量化有直接价值
• 写作: ⭐⭐⭐⭐ — 理论与实验结构清晰，图示直观

相关论文

• [AAAI 2026] Small but Mighty: Dynamic Wavelet Expert-Guided Fine-Tuning of Large-Scale Models for Optical Remote Sensing Object Segmentation
• [ICLR 2026] SEED: Towards More Accurate Semantic Evaluation for Visual Brain Decoding
• [AAAI 2026] GuideGen: A Text-Guided Framework for Paired Full-Torso Anatomy and CT Volume Generation
• [AAAI 2026] FaNe: Towards Fine-Grained Cross-Modal Contrast with False-Negative Reduction and Text-Conditioned Sparse Attention
• [CVPR 2025] Multi-Resolution Pathology-Language Pre-training Model with Text-Guided Visual Representation