[Paper] MPD$^2$-Router: 掩码感知 多专家 先验正则化 双头 延迟路由 器用于青光眼筛查与诊断

Source: arXiv - 2605.08024v1

（请提供您希望翻译的具体文本内容，我将按照要求保留源链接并仅翻译正文部分。）

概述

The paper presents MPD²‑Router, a novel “learning‑to‑defer” system that decides, for each retinal image, whether an AI model should make the glaucoma diagnosis or hand the case off to a human specialist – and if so, which specialist (e.g., general ophthalmologist, glaucoma expert). By explicitly modeling expert availability, workload balance, and the asymmetric costs of false positives vs. false negatives, the router makes triage safer and more efficient in real‑world screening pipelines.

关键贡献

• Mask‑aware 多专家路由： 引入一种门控机制，能够在尊重每个样本专家可用性（即“掩码”）的同时，学习最优的转诊决策。
• 双头架构： 一个头预测临床标签，另一个头预测谁（哪位专家）在选择转诊时应接收该病例。
• 成本敏感训练目标： 将不对称的临床成本、转诊预算约束（通过增广拉格朗日）以及反映真实专家技能分布的组特定先验相结合。
• 秩‑主导 JS 正则化器： 防止模型坍缩到单一专家（专家坍缩），但又不强制实现完全均匀的负载，从而实现平衡且数据驱动的分配。
• 稳健的跨域评估： 在三个地理上多样的青光眼数据集（REFUGE、CHAKSU、ORIGA）上展示出一致的提升，使用仅在 REFUGE 上训练的冻结主干网络，凸显对域迁移的韧性。

方法论

1. Backbone 特征提取器: 使用在 REFUGE 青光眼数据集上预训练的标准卷积网络（例如 ResNet）提取图像嵌入；该部分在路由实验期间保持冻结。
2. 双头路由器:
   • 分类头 预测青光眼标签（健康 vs. 病变）。
   • 分配头 输出一个关于可用专家集合的概率向量。
3. Mask‑aware Gumbel‑Sigmoid 门控: 对每幅图像，二进制掩码指示哪些专家在岗。门控层使用 Gumbel‑Sigmoid 技巧对 硬 推迟决策进行采样，同时仍允许基于梯度的学习；掩码强制采样的专家必须是可用的专家之一。
4. 信号融合: 路由器摄取多种线索——模型不确定性（如熵）、形态特征（视盘形状）、图像质量评分以及分布外检测器——以更好地评估病例难度。
5. 训练损失:
   • 不对称成本项 对假阴性的惩罚高于假阳性（反映临床危害）。
   • 推迟预算项（增广拉格朗日）强制实现目标整体推迟率（例如 20 %）。
   • 组先验项 鼓励分配分布与预期的专家专业水平相匹配。
   • 秩‑主导 Jensen‑Shannon 正则化项 在专家之间分散负载，同时允许模型在最困难的病例上倾向于更高技能的临床医生。

结果与发现

• 更高的 MCC（马修斯相关系数），在所有队列中均表现更佳，表明整体诊断质量更高。
• 降低临床成本（假阴性和假阳性危害的加权和），相较于纯 AI 系统约降低五分之一。
• 帕累托最优权衡：在绘制 F1、MCC 与成本时，MPD²‑Router 主导 AI‑only 基线，意味着无法在不牺牲其他指标的情况下提升某一指标。
• 平衡专家利用率：没有单一专家承担超过 35 % 的推迟案例；工作负荷根据专业能力和可用性进行分配。
• 对领域漂移的鲁棒性：即使在骨干网络冻结（未在 CHAKSU/ORIGA 上微调）的情况下，路由器仍能带来一致的提升，表明路由逻辑具备泛化能力。

实际意义

• 更安全的筛查流程： 诊所可以部署高通量的 AI 检测器处理大部分病例，同时自动将模糊或高风险的图像转交给合适的人类专家，从而降低漏诊青光眼眼睛的风险。
• 动态人员配置： 由于掩码遵循随叫随到的排班表，系统可用于专科医生可用性随时区变化的远程眼科网络。
• 成本效益的规模化： 通过将转诊比例限制在约 20 % 左右，医院可以让专家的时间集中在最有价值的病例上，潜在地降低每次筛查的成本。
• 即插即用的集成方式： 路由器位于任何现有青光眼分类器之上；开发者只需提供专家可用性掩码和成本参数。
• 符合监管要求： 明确的成本敏感目标和透明的路由决策符合新兴的 AI 医疗设备指南，这些指南要求具有人在回路的明确安全保障。

限制与未来工作

• 静态专家池: 当前的公式假设专家集合是固定的；若扩展到持续变化的名单（例如按需众包评审员），则需要更动态的掩码机制。
• 依赖手工特征: 虽然不确定性和质量指标提升了性能，但它们是手工设计的；端到端学习这些信号可能进一步增强鲁棒性。
• 在有限数据集上的评估: 本研究使用了三个公开的青光眼队列；在更大、更异质的真实健康系统中的部署仍需验证。
• 延迟预算的刚性: 增广拉格朗日方法强制执行硬性预算；未来工作可以探索能够响应每日工作负荷波动的自适应预算。

总体而言，MPD²‑Router 为在眼科分诊中整合 AI 与人类专业知识提供了有说服力的蓝图，将“学习延迟”从理论好奇转变为实用、可部署的安全网。

作者

• Wenxin Zhan

论文信息

• arXiv ID: 2605.08024v1
• 类别: cs.AI
• 出版日期: 2026年5月8日
• PDF: 下载 PDF