超声诊断标注不必逐帧硬啃：EvoDiff用扩散模型生成探针，只挑真图给专家标
核心概要
EvoDiff把主动学习的选样改成“先生成、再检索”：在特征空间里用扩散采样生成合成探针，只把被探针检索到的真实未标注超声图像交给专家标注。在覆盖15个数据集、16,696张图像、6类器官任务的评测中，它在ResNet-50与USFM两种下游模型上多数设置优于随机采样和多种主动学习基线，并以模型估计的标注工作量指标给出相对随机采样24%至84%的削减。
深度剖析
超声图像诊断模型的训练标签不再靠均匀抽样堆出来，而是由生成式探针从无标注池中定向检索出信息量更高的真实图像再送标注。 此前的主动学习多在单一任务、单一模型族上设计，常按预测不确定性或特征代表性挑样本；在跨器官、类别极不均衡的超声队列上，这些策略容易偏向多数类或重复样本。 在8个内部数据集、6类器官任务、5%至50%六档累计标注预算共48个数据集与预算组合上，EvoDiff的准确率在其中43个排第一、其余5个排第二，与最佳方法的差距最大为0.88个百分点。
选样过程不依赖下游分类器的后验概率，而是先在特征空间里生成“值得一看”的合成样本，再用它们去匹配真实图像。 扩散模型此前多用于医学图像合成，较少被用来指导主动学习的样本查询。 合成图像只作检索探针，既不标注也不进入下游训练；在BUS-BRA、10%累计标注预算的单轮采集中，EvoDiff耗时6.8 GPU小时（单张NVIDIA A40），而Max-Entropy为19.4秒、BALD为86.5秒。
启示与展望
评测范围是二维B模式超声图像上的六类器官诊断任务，内部队列8个、外部队列7个，下游模型为ResNet-50与USFM；24%至84%的标注工作量削减是由HAE指标给出的模型估计，该指标把匹配性能下的标注数量与阅读研究中测得的单张标注时间相乘。
作者指出框架在生成与选择阶段依赖冻结的特征编码器，嵌入漂移可能影响样本排序；当前只在二维B模式超声上验证，扩展到MRI与CT尚待研究；采集端算力开销明显高于不确定性方法；24%至84%的削减依赖“同一张图标注时间相同”的假设。此外，BUSI因公开数据缺少患者标识只能做图像级划分，严格的病人级隔离无法核实。