Nuevo paper publicado en IEEE Transactions on Medical Imaging

“ConfIC-RCA: Statistically Grounded Efficient Estimation of Segmentation Quality“
Matias Cosarinsky, Ramiro Billot, Lucas Mansilla, Gabriel Jimenez, Nicolás Gaggion, Guanghui Fu, and Tom Tirer, Enzo Ferrante

Resumen

Cuando desplegamos modelos de segmentación automática en la práctica clínica, surge una pregunta importante: ¿qué tan buena es esta segmentación si no tenemos ground truth para verificarla? Y más importante aún: ¿podemos acompañar esa estimación con intervalos de confianza que tengan respaldo estadístico?

Los enfoques previos basados en Reverse Classification Accuracy (RCA) daban una respuesta parcial, dado que requerían entrenar modelos adicionales para cada estimación, ofrecían solo estimaciones puntuales sin cuantificación de incertidumbre, y fueron validados principalmente en segmentación de órganos, pero no de lesiones.

En este trabajo, llevado adelante por Matias Cosarisnky en su tesis de Lic. en Ciencia de Datos y dirigido por Enzo Ferrante, en colaboración con investigadores de Argentina, China, Francia e Israel, se presenta Conformal In-Context RCA, un metodo que que ataca estas limitaciones combinando aprendizaje in-context con predicción conformal. Gracias al uso de modelos de segmentación in-context con retrieval augmentation, se elimina la necesidad de entrenar modelos extra, haciendo el framework eficiente y práctico. La capa conformal permite ir más allá de la estimación puntual: genera intervalos de confianza con un nivel de cobertura que el usuario elige, con garantías estadísticas de que el score real de segmentación cae dentro del intervalo.

Este método fue validado en 10 tareas diversas de imagen médica, cubriendo múltiples modalidades, estructuras anatómicas y, a diferencia de variantes previas de RCA, también lesiones.