基于 Variational Risk Minimization 的置信度门控云边级联分诊：用于医学影像
Confidence-Gated Cloud-Edge Cascade Triage via Variational Risk Minimization for Medical Imaging
精选理由
提出不确定性感知蒸馏方法，提升医学影像分诊的可靠性与低延迟部署能力。
AI 摘要
arXiv:2610.02269v1 公告类型：cross 摘要：急诊胸部 X 光片（CXR）分诊存在结构性的模态鸿沟：报告在分诊决策之后才到达，而多模态基础模型需要图像-文本输入。我们提出 Variational Risk Minimization（VRM），这是一种蒸馏框架，将 LVLM 生成的多种报告变体视为潜在临床解释的蒙特卡洛样本。VRM 不同于从单一教师目标进行蒸馏，而是从经过变分边缘化的教师分布中学习，从而在模态缺失约束下实现具备不确定性感知能力的监督。在编码器家族匹配的条件下，VRM 优于直接微调基线，并在面对幻觉监督时实现强大的恢复能力，同时提升校准性能。边缘化监督降低了报告选择的不稳定性。在紧凑型边缘学生模型实例中，置信度门控级联在平均延迟 103ms、云端升级比例 20.3% 的情况下达到 0.941 的 AUC，为云边临床工作流提供了明确的可靠性-延迟运行点。