HierEM 把每个站点的前列腺病灶勾画当作潜在干净掩膜的有噪观测，在三站点留一站测试中把跨站点 Dice 提升到 27.91%–32.67%
核心概要
该研究提出 HierEM 分层期望最大化框架，把每个站点观察到的前列腺病灶标注视为潜在“干净”病灶掩膜的有噪观测，在 E 步推断体素级潜在掩膜后验、在 M 步用该后验作软目标训练 CNN 并用 logistic-normal 分层先验估计站点与病例级敏感度、特异度，在三个站点数据上池化留出评估的每站点平均 DSC 为 29.50%–39.69%，留一站泛化为 27.91%–32.67%，相对对比方法取得统计显著提升（p < 0.039），并给出可解释的站点标注质量估计（特异度 β≈0.99 时敏感度 α 为 31.5%–47.3%）。
Fig. 1. Overview of proposed deep mixed EM framework with hierarchical latent label- quality parameters. The E-step infers a latent clean mask, and the M-step updates the segmentation network and site-specific sensitivity and specificity.
· 第 3 页深度剖析
论文把多站点标注差异建模为潜在标签问题：每个病例只有来自其采集站点的一条标注，观察标签 Y 被当作潜在干净掩膜 G 的有噪观测，用站点-病例级敏感度 α 与特异度 β 刻画标注行为。 作者明确区分于 STAPLE：STAPLE 面向同一图像的多标注者标签融合，而这里每例通常只有一条标注、标注来源由站点而非多个独立读者决定，因此不做标签融合，而是从单一站点相关噪声标签中学习站点无关的病灶表示。 该区分在引言中作为问题设定给出，并配以式(1)的敏感度/特异度条件独立假设；论文未在实验中直接与 STAPLE 做数值对比。
HierEM 用 logistic-normal 分层先验把标签质量分解为全局、站点和病例三个成分，logit(α)=µα+as+uk、logit(β)=µβ+bs+vk，并对 as、bs、uk、vk 施加零均值高斯先验（MAP 下等价于 L2 惩罚），同时约束站点效应之和为零以保证可识别性。 相比无分层的 Site-EM（每站点独立估计 αs、βs），分层结构实现跨站点部分池化，正则化站点级偏离，抑制对中心特有勾画风格的过拟合。 该分解以式(2)–(3)形式化，并在消融中与 Site-EM 对比；论文报告 L2 惩罚提供收缩以稳定站点/病例质量估计、避免退化的敏感度与特异度值。
学习过程交替执行 E 步与 M 步：E 步按式(5)计算体素级潜在掩膜后验 q，M 步(A) 用 q 作软标签以交叉熵加 Dice 损失更新 UNet，M 步(B) 用聚合的期望充分统计量 (TPk, Pk, TNk, Nk) 通过 L-BFGS 最大化带 L2 惩罚的 Q(ϕ)。 M 步(B) 只依赖低维充分统计量，因此可用少量二阶优化迭代高效求解；训练中每轮 EM 对 θ 做 5 个 epoch 梯度步、对 ϕ 做 5 次优化步，并在前五个 epoch 用 sigmoid 衰减的辅助监督稳定早期优化。 算法 1 给出完整流程，超参数（Adam、学习率 10⁻⁴、5 epoch/5 步、辅助监督衰减）在正文中明确列出。
在三站点数据上，HierEM 在池化留出划分取得三站点最佳平均 Dice（站点1 39.69%、站点2 29.50%、站点3 35.60%），在更困难的留一站测试中 Dice 为 28.11%、27.91%、32.67%，优于监督 UNet 的 25.50%、24.66%、31.20%，并给出更低的 HD95；风险-覆盖曲线显示其不确定性更集中于被拒区域，且在匹配特异度约 0.99 时敏感度最高。 论文指出池化与留一站之间的性能落差反映强域偏移，提示池化划分上的表现很大程度来自学习站点特有勾画偏置，而显式建模站点/病例相关标签噪声可缩小这一差距。 结果基于三站点数据集（池化留出集站点1/2/3 分别 252、87、265 例；LOSO 分别 1201、391、1265 例），采用配对 t 检验并以 Benjamini-Hochberg FDR 5% 控制多重比较；论文也说明池化划分下并非所有比较都显著，可能因测试集规模有限。
启示与展望
该工作面向每例仅有一条站点相关标注、且部署时无法或不便于做站点微调或校准的多站点前列腺病灶分割场景；方法被描述为骨干无关，因此原则上可替换分割网络。它同时输出站点级敏感度与特异度作为标注行为的诊断量，作者强调这些量代表站点层面的池化标注倾向，而非单个读者的表现。后续工作方向包括扩展到多站点、多标注者数据集以及更丰富的临床标注变异模型。
论文报告池化留出划分下并非所有比较都达到显著，作者将其归因于测试集规模有限，因此该设定下的优势幅度仍需在更大测试集上确认。留一站结果基于三个站点，站点数量有限，分层先验中站点效应的估计稳定性在更多站点时如何变化尚待观察。敏感度与特异度被解释为站点级池化标注行为而非个体读者表现，其与真实临床标注质量的关系仍是开放问题。此外，风险-覆盖曲线与敏感度对比以图 2 呈现，本次可获取的文本未包含图中具体数值，因此这些不确定性指标只能按正文描述理解。