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¶
将分割网络分解为三部分：编码器 \(f: \mathcal{X} \to \mathcal{Z}\)、解码器 \(g: \mathcal{Z} \to \mathcal{S}\)、度量函数 \(h: \mathcal{S} \to \mathbb{R}\)。COMPASS 在 \(\mathcal{Z}\) 空间沿数据特定方向 \(\Delta_i\) 扰动特征 \(\hat{z}_i\)，通过 \(g\) 和 \(h\) 传播得到度量变化，构建预测区间 \(S_\beta(x) = [\min_{b \in [-\beta, \beta]} m_x(b), \max_{b \in [-\beta, \beta]} m_x(b)]\)。
关键设计¶
1. 基于 Jacobian PCA 的敏感方向计算（COMPASS-J）¶
功能: 为每个样本找到特征空间中对目标度量最敏感的扰动方向。
核心思路: 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 \(J_i = \frac{d\, h(g(\hat{z}_i))}{d\hat{z}_i}\)，将 Jacobian 沿空间维度求和后得到通道级向量 \(\mathcal{J}_i\)。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为：
设计动机: 全维搜索不可行，但 PCA 的第一主成分通常解释了 >90% 的度量方差（实验验证）。沿主方向扰动在实验中一致表现出单调度量变化——这使得预测区间只需评估两个端点（正/负 \(\beta\)），而非全区间扫描。
2. 基于线性扰动的嵌套性保证¶
功能: 证明线性扰动构建的预测集满足嵌套性，从而保证 marginal coverage。
核心思路: 预测集定义为扰动区间上度量的范围 \(S_\beta(x) = [\min m_x(b), \max m_x(b)]_{b \in [-\beta, \beta]}\)。由于 \(\beta_1 \leq \beta_2 \Rightarrow [-\beta_1, \beta_1] \subseteq [-\beta_2, \beta_2]\)，最大/最小值只会扩大不会缩小，因此 \(S_{\beta_1} \subseteq S_{\beta_2}\)（嵌套性）。标准 CP 的交换性条件+嵌套性直接保证：
设计动机: 嵌套性是 CP 有效性的必要条件。对于深度特征的非线性空间，这并不平凡——本文通过"取范围"的 conservative envelope 构造从定义上保证嵌套性。
3. 加权 COMPASS 应对分布偏移¶
功能: 通过密度比重新加权校准样本，在协变量偏移下恢复目标覆盖率。
核心思路: 训练辅助分类器区分校准集和测试集，估计密度比 \(w(X_i) = p_{\text{test}}(X_i) / p_{\text{cal}}(X_i)\)。使用模型深层特征或 Jacobian 作为分类器的输入特征（比类别标签或 logits 更丰富的信号）。加权符合性分位数替代等权分位数。
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¶
- 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
- 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
- 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