Cross-Model Agreement as a Deployment-Time Reliability Signal for Automatic Polyp Segmentation
실시간 대장내시경 검사에서 추론 시점에는 정답 주석이 없기 때문에 용종 분할 모델이 조용히 실패할 수 있습니다. 이에 본 연구는 참조 기반 품질 추정(Referee-Based Quality Estimation, RBQE)이라는 참조 불필요 프레임워크를 제안합니다. 이 방법은 동일한 이미지에 대해 주 모델과 독립적으로 훈련된 심사관(referee) 간의 일치도를 측정하여 모델의 신뢰도를 평가합니다.
RBQE는 네 가지 공개 데이터셋에서 추출한 표준화된 1,223개 이미지 외부 벤치마크를 사용하여 평가되었으며, 심사관 독립성과 아키텍처 다양성을 분리하기 위해 네 가지 심사관 구성을 사용했습니다. 동일한 아키텍처의 심사관을 무작위 초기화만 다르게 하여도 유용한 신뢰 신호가 나오며 ROC-AUC 0.923을 달성하여 독립적인 훈련만으로도 충분함을 보였습니다.
더 나아가, 서로 다른 아키텍처의 심사관을 사용하면 성능이 더욱 향상되었는데, SegFormer-B0 모델이 ROC-AUC 0.960으로 가장 강력한 성능을 보이며 동일 아키텍처 대조군 및 UNet++을 크게 능가했습니다. RBQE는 또한 낮은 일치도 사례를 점진적으로 거부함으로써 유지된 예측의 평균 Dice 값을 증가시켜 선택적 예측을 지원합니다.
이 연구는 추론 시점에 단 하나의 추가적인 결정론적 심사관 순방향 패스만 필요하므로, 교차 모델 일치를 자동화된 용종 분할을 위한 실용적이고 해석 가능한 신뢰 프레임워크로 뒷받침합니다.
RBQE는 네 가지 공개 데이터셋에서 추출한 표준화된 1,223개 이미지 외부 벤치마크를 사용하여 평가되었으며, 심사관 독립성과 아키텍처 다양성을 분리하기 위해 네 가지 심사관 구성을 사용했습니다. 동일한 아키텍처의 심사관을 무작위 초기화만 다르게 하여도 유용한 신뢰 신호가 나오며 ROC-AUC 0.923을 달성하여 독립적인 훈련만으로도 충분함을 보였습니다.
더 나아가, 서로 다른 아키텍처의 심사관을 사용하면 성능이 더욱 향상되었는데, SegFormer-B0 모델이 ROC-AUC 0.960으로 가장 강력한 성능을 보이며 동일 아키텍처 대조군 및 UNet++을 크게 능가했습니다. RBQE는 또한 낮은 일치도 사례를 점진적으로 거부함으로써 유지된 예측의 평균 Dice 값을 증가시켜 선택적 예측을 지원합니다.
이 연구는 추론 시점에 단 하나의 추가적인 결정론적 심사관 순방향 패스만 필요하므로, 교차 모델 일치를 자동화된 용종 분할을 위한 실용적이고 해석 가능한 신뢰 프레임워크로 뒷받침합니다.