在医学图像分割（如肿瘤检测、器官边界勾勒）等高风险的临床决策任务中，模型预测的可靠性至关重要。不确定性量化（Uncertainty Quantification, UQ）通过为每个预测附加置信度评分来反映其可信度。然而，现有的大多数UQ方法，例如MC Dropout或Deep Ensembles，往往将不确定性简化为单一的标量值（如方差或熵），而忽略了其在空间维度上的语义分布。例如，在分割任务中，不确定性可能集中在边界区域、低对比度结构或病变附近，但传统方法无法有效编码这些空间模式。
针对这一局限，来自某研究团队的最新工作聚焦于“不确定性可解释性”，即估计的不确定性是否以人类医生可理解的方式对应于图像的歧义来源。研究人员首先识别出三个与人类视觉感知对齐的核心原则，用于约束不确定性的空间分布：第一，图像中相邻解剖结构间的对比度——对比度越低，边界越模糊，不确定性应越高；第二，图像损坏（如噪声、部分缺失或模糊）的严重程度——损坏越严重，预测越不可靠；第三，解剖结构本身的几何复杂度——结构越复杂（如血管分叉、细小分支），不确定性应越大。
基于这三条原则，团队开发了一套原则引导的不确定性监督框架（PriUS），其核心基于证据学习（Evidential Learning），这是一种通过模拟狄利克雷分布来捕获主观不确定性的贝叶斯方法。在训练阶段，PriUS显式地将上述原则对应的监督目标（例如，使不确定性与图像对比度成反比）作为损失函数的组成部分。除了定性的约束，团队还引入了新的定量指标，用以评估预测不确定性是否与引发歧义的图像属性（如局部梯度幅值、图像质量评分）保持一致性。
在三个公开医学分割数据集——ACDC（心脏结构分割）、ISIC（皮肤病变分割）和WHS（全心脏分割）上的实验表明，与目前最先进的不确定性处理方法（如贝叶斯神经网络、证据深度学习方法）相比，PriUS在分割精度（如Dice系数）上维持了具有竞争力的水平，同时其产生的不确定性估计在空间上更加一致且符合上述原则。例如，在ISIC的病变区域边缘，PriUS给出的不确定性峰值与图像边界模糊区域高度重合，而对比方法的分布则分散且缺乏逻辑。
该研究的意义在于为深度学习模型在医疗影像分析中的可信度提供了新的提升途径。通过将人为先验知识（感知原则）直接融入不确定性学习过程，模型不仅“知道它不知道什么”，而且能以结构化的方式予以表达。未来，这种可解释的不确定性可能帮助临床医生更直观地判断模型输出在哪些区域需要额外审慎，从而推动UQ技术从学术研究走向真正的临床辅助决策。论文的代码、模型权重以及详细的实验结果已在arXiv平台上公开，供社区复现和进一步探索。