临床影像决策不再只看诊断覆盖率：HC-ROCP把严重病例误处置率从4.68%压到0.54%
核心概要
临床影像分类器给出诊断集合，并不保证严重病例不会被安排到有害处置。HC-ROCP在冻结分类器概率上加入按严重概率加权的危害惩罚，用独立校准划分同时检验覆盖率与严重病例误处置率，并据此给出认证、描述性报告或拒绝。COVID-19胸片上，十个校准种子把严重处置错误从精确ROCP基线的4.68%降到0.54%，代价是建模损失上升。
深度剖析
临床影像决策现在多了一道针对严重病例的检查：策略不仅要覆盖真实诊断，还要把严重病例被安排到有害处置的频率单独控制在预算内。 此前的风险最优保形预测只按稳健损失选择预测集合与动作，标签覆盖率和平均损失都不直接约束严重病例收到有害动作的频率。 在COVID-19胸片回顾性评估中，十个校准种子下严重处置错误由精确ROCP基线的4.68%降至0.54%，同时建模损失由0.394升至1.080。
做法是在冻结分类器的输出上构造一族候选策略，再在互不重叠的校准数据上审计这些策略的覆盖与危害声明。 HC-ROCP沿用ROCP的稳健动作规则，并在集合选择目标中加入一项惩罚，只对稳健动作落入有害动作、且分类器给出较高严重类别概率的集合生效。 校准数据按类别分层切成构造、覆盖和安全三份，覆盖与危害分别用单侧Clopper–Pearson检验并做多重性校正；COVID-19、ISIC 2019和EyePACS到APTOS三个数据集均使用ConvNeXt V2-Tiny冻结分类器。
审计结果分三档输出：证据足够的全局声明获得认证，证据不足时退回描述性策略，子群声明不成立则明确拒绝。 在5%危害预算下，COVID-19与ISIC的全局声明获得认证，而ISIC中鳞状细胞癌这一稀有子群声明被拒绝；在1%预算下三个数据集都只得到描述性报告。 ISIC的鳞状细胞癌安全集只有42例，即使零错误，其校正后的上界仍高于预算；MEL子群有302例安全样本，上界明显更窄。
启示与展望
评估限于COVID-19胸片、ISIC 2019皮肤镜和EyePACS到APTOS视网膜病变迁移三个回顾性影像场景，动作与损失矩阵由五位临床专家预先指定，结果对照的是观测疾病标签而非真实患者结局。
校准种子共享同一分类器和测试观测，有效性依赖类内独立同分布采样与门槛截断条件，并针对实际校准混合比例；患病率或工作流程变化需要重新评估。目标函数没有基数惩罚，预测集合可能偏大而限制诊断特异性，精确枚举随标签数指数增长，跨分类器骨干的稳健性仍待评估。