知识卡片：跨模型一致性作为自动息肉分割的部署时可靠性信号

一句话结论

在实时结肠镜推理没有真值标注的情况下，RBQE（Referee-Based Quality Estimation）通过测量主息肉分割模型与独立训练裁判模型在同一图像上的 Agreement Dice，提供免参考的可靠性信号；同架构裁判仅靠独立随机初始化已有用，跨架构 SegFormer-B0 裁判表现最强，但排除空掩膜后性能下降，且真实临床部署收益仍待核实。

事件概述或研究问题

论文关注实时结肠镜检查中的自动息肉分割：推理时无法获得 ground-truth annotations，因此分割模型可能“静默失败”（fail silently）。作者提出 RBQE，一个 reference-free 框架，用主分割模型与独立训练 referee 在同一图像上的一致性来估计质量/可靠性。研究在标准化 1,223 图像外部基准上评估，该基准来自四个公共数据集，并使用四种 referee 配置分离两个设计轴：referee independence 与 architectural diversity。

方法/产品要点

RBQE 核心：不依赖参考标注，比较主分割模型与独立训练裁判模型在同一图像上的分割一致性。
描述符：使用统一的 Agreement Dice 作为一致性/可靠性描述符。
评估基准：1,223 张图像的外部基准，来自四个公共数据集。
裁判配置：四种 referee 配置，用于区分“裁判独立性”和“架构多样性”两个维度。
基线/对照：同架构对照、UNet++、代表性 Test-Time Augmentation 基线、prompt-coupled MedSAM 裁判。
推理成本：摘要称推理时只需要额外一次确定性的 referee forward pass；绝对延迟与算力开销待核实。
选择性预测：随着低一致度案例被逐步拒绝，保留预测的平均 Dice 提高。

主要结果或产业意义

独立训练本身已足够有用：同架构裁判与主模型仅随机初始化不同，ROC-AUC 达到 0.923。
跨架构裁判进一步提升：SegFormer-B0 裁判最强，ROC-AUC = 0.960，显著优于同架构对照和 UNet++，并在相同协议下比代表性 Test-Time Augmentation 基线高 0.055 ROC-AUC。
架构多样性并非越大越好：prompt-coupled MedSAM 裁判尽管架构多样性最大，表现反而较差；原因待核实。
排除空掩膜后性能下降：由于 empty-mask agreement 可能被平凡区分，受限评估排除这类情况后，SegFormer-B0 的 ROC-AUC 降至 0.876（1,046 张图像），同架构对照降至 0.783（975 张图像）；原文称在该相同子集上 RBQE 相对两个基线的优势扩大。
支持选择性预测：低一致度案例被拒绝后，保留预测的平均 Dice 上升。
产业意义：对临床/产业部署的启示是，可把跨模型一致性作为免参考质量门控或选择性预测组件，用于降低自动息肉分割的静默失败风险；但实际临床工作流收益和实时性需进一步验证。

为什么重要

实时内镜 AI 的关键风险是模型在没有真值的情况下自信输出错误分割。RBQE 提出的不是后处理真值校验，而是部署时可用的跨模型一致性信号。它把“另一个独立模型是否同意”转化为可解释的可靠性分数，并可用于拒绝低质量预测，从而提高保留集合的平均 Dice。这一思路对医疗影像部署中的质量控制、人机协同复核和选择性预测具有直接参考价值。

与既有脉络的关系

已有相关卡片分别关注：LLM 引用验证中的评判模型基准、预算感知测试时模型选择、以及面向自动驾驶的实时 PixOOD 异常分割。本条目与它们共享“用额外模型或额外计算提升部署时可靠性”的思路，但增量在于：对象从文本引用验证/LLM 模型选择/驾驶异常分割，转为结肠镜息肉分割中的跨模型一致性；并且明确区分裁判独立性与架构多样性，报告 Agreement Dice 与 ROC-AUC 结果。它不是对已有卡片事实的重复，而是把跨模型验证范式延伸到医学图像分割部署场景。

局限与不确定性

外部基准来自四个公共数据集，但具体数据集名称、采集中心、设备、人群构成未在摘要中列出：待核实。
主模型与各裁判的训练数据、训练协议、是否共享训练数据、是否独立于测试集：待核实。
Agreement Dice 的阈值设定、校准方式、选择性预测的接受/拒绝比例及 Dice 提升幅度：摘要未给出：待核实。
额外一次 referee forward pass 的实际延迟、显存和算力开销：待核实。
MedSAM 裁判表现较差的具体原因，是否与 prompt coupling、适配设置或训练方式有关：待核实。
是否在前瞻性临床试验或真实实时结肠镜工作流中验证：待核实。
代码、模型权重、数据划分是否公开：待核实。
英文关键词是否为论文官方关键词：待核实；下方关键词为据标题与摘要整理。

可用于图书/PPT/简报的角度

部署时可靠性 vs 测试时验证：无真值场景下，用跨模型一致性做质量门控。
医学图像分割中的选择性预测：拒绝低一致度案例，提高保留预测的平均 Dice。
独立训练 vs 架构多样性：同架构独立初始化已有信号；跨架构可提升，但架构多样性最大不代表最好。
实时内镜 AI 的静默失败治理：从“模型输出”转向“模型输出 + 可靠性信号”。
与 TTA 基线比较：在相同协议下，RBQE 的跨模型一致性信号可超过代表性 Test-Time Augmentation 基线。
从 LLM 验证器到医学分割裁判：同一“独立裁判/验证器”范式在不同模态中的迁移与差异。

原始材料

英文标题：Cross-Model Agreement as a Deployment-Time Reliability Signal for Automatic Polyp Segmentation
英文关键词（据标题/摘要整理，是否与论文官方关键词一致待核实）：Cross-Model Agreement; Deployment-Time Reliability Signal; Automatic Polyp Segmentation; Referee-Based Quality Estimation (RBQE); Agreement Dice; ROC-AUC; Selective Prediction; Colonoscopy; cs.CV; cs.LG
原始来源：arXiv: https://arxiv.org/abs/2609.10495v1
PDF：https://arxiv.org/pdf/2609.10495v1
arXiv ID：2609.10495v1
作者：Siddharth Gupta, Jitin Singla
Published / Updated：2026-09-09T17:32:43Z
Primary category：cs.CV
Categories：cs.CV, cs.LG
任务输入标注：Track: academic；Topics: foundation-model