医用画像セグメンテーション（腫瘍検出や臓器境界の同定など）は、臨床現場での高リスクな意思決定を伴うため、モデル予測の信頼性を評価する不確実性定量化（Uncertainty Quantification, UQ）が不可欠である。しかし、従来のMC DropoutやDeep Ensembleなどの手法は、予測の不確かさを単一のスカラー値（分散やエントロピー）に縮約してしまい、その空間分布が意味的に制約されず、解釈が困難であるという問題があった。例えば、セグメンテーションにおいて不確実性は輪郭付近や低コントラスト領域で高くなるべきだが、既存手法ではそのような空間パターンを明示的に学習できない。
この課題に取り組むため、本研究チームは「不確実性の解釈可能性」に焦点を当て、推定された不確実性が人間の医師にとって理解可能な形で曖昧さの原因を反映しているかを評価した。彼らはまず、不確実性の空間分布が従うべき三つの知覚整合原則を同定した：（1）構造間の画像コントラスト（コントラストが低いほど境界が曖昧で不確実性が高い）、（2）画像劣化の重症度（ノイズや欠損、ボケが強いほど予測が不確か）、（3）解剖学的構造の幾何学的複雑さ（血管分岐や微細な枝など複雑な構造ほど不確実性が高い）。
これらの原則を実装するため、研究チームは証拠学習（Evidential Learning）に基づく原則誘導型教師ありフレームワーク（PriUS）を開発した。証拠学習は主観的論理（Subjective Logic）に根差し、モデル出力をディリクレ分布のパラメータとして扱うことで不確かさを明示的にモデル化する。PriUSでは、トレーニング中に上記の三原則に対応する教師あり目的関数（例：不確実性マップと画像コントラストマップの負の相関）を損失関数として組み込む。さらに、予測不確実性と曖昧さを誘発する画像属性（局所勾配の大きさ、画像品質スコアなど）との一致度を評価する新しい定量的指標を導入した。
ACDC（心臓セグメンテーション）、ISIC（皮膚病変セグメンテーション）、WHS（全心臓セグメンテーション）の三つの公開データセットを用いた実験において、PriUSはベイズニューラルネットワークや従来の証拠学習手法などの最先端手法と比較して、セグメンテーション性能（Dice係数）で同等以上の結果を示しつつ、不確実性推定の空間的一貫性において顕著な改善を示した。例えば、ISICデータセットの病変境界部では、PriUSが生成した不確実性のピークが画像のエッジ暈け領域と良好に一致し、比較手法では分散して意味をなさなかった。
本研究は、医用画像解析における深層学習モデルの信頼性を向上させる新たなアプローチを提供する。人間の知覚に基づく事前知識を不確実性学習プロセスに直接組み込むことで、モデルは「自分が何を知らないか」を認識するだけでなく、それを構造化された形で表現できるようになる。将来的には、この解釈可能な不確実性により、臨床医はモデル出力のどの領域に注意が必要かを直感的に判断できるようになり、UQ技術の臨床意思決定への実用化を促進することが期待される。論文のコード、モデル、詳細な実験結果はarXivで公開されており、コミュニティによる再現とさらなる研究が可能である。