在醫學影像分割（如腫瘤檢測、器官邊界勾勒）等高風險的臨床決策任務中，模型預測的可靠性至關重要。不確定性量化（Uncertainty Quantification, UQ）透過為每個預測附加置信度評分來反映其可信度。然而，現有的大多數UQ方法，例如MC Dropout或Deep Ensembles，往往將不確定性簡化為單一的標量值（如方差或熵），而忽略了其在空間維度上的語義分佈。例如，在分割任務中，不確定性可能集中在邊界區域、低對比度結構或病變附近，但傳統方法無法有效編碼這些空間模式。
針對這一侷限，來自某研究團隊的最新工作聚焦於“不確定性可解釋性”，即估計的不確定性是否以人類醫生可理解的方式對應於影像的歧義來源。研究人員首先識別出三個與人類視覺感知對齊的核心原則，用於約束不確定性的空間分佈：第一，影像中相鄰解剖結構間的對比度——對比度越低，邊界越模糊，不確定性應越高；第二，影像損壞（如噪聲、部分缺失或模糊）的嚴重程度——損壞越嚴重，預測越不可靠；第三，解剖結構本身的幾何複雜度——結構越複雜（如血管分叉、細小分支），不確定性應越大。
基於這三條原則，團隊開發了一套原則引導的不確定性監督框架（PriUS），其核心基於證據學習（Evidential Learning），這是一種透過模擬狄利克雷分佈來捕獲主觀不確定性的貝葉斯方法。在訓練階段，PriUS顯式地將上述原則對應的監督目標（例如，使不確定性與影像對比度成反比）作為損失函式的組成部分。除了定性的約束，團隊還引入了新的定量指標，用以評估預測不確定性是否與引發歧義的影像屬性（如區域性梯度幅值、影像質量評分）保持一致性。
在三個公開醫學分割資料集——ACDC（心臟結構分割）、ISIC（皮膚病變分割）和WHS（全心臟分割）上的實驗表明，與目前最先進的不確定性處理方法（如貝葉斯神經網路、證據深度學習方法）相比，PriUS在分割精度（如Dice係數）上維持了具有競爭力的水平，同時其產生的不確定性估計在空間上更加一致且符合上述原則。例如，在ISIC的病變區域邊緣，PriUS給出的不確定性峰值與影像邊界模糊區域高度重合，而對比方法的分佈則分散且缺乏邏輯。
該研究的意義在於為深度學習模型在醫療影像分析中的可信度提供了新的提升途徑。透過將人為先驗知識（感知原則）直接融入不確定性學習過程，模型不僅“知道它不知道什麼”，而且能以結構化的方式予以表達。未來，這種可解釋的不確定性可能幫助臨床醫生更直觀地判斷模型輸出在哪些區域需要額外審慎，從而推動UQ技術從學術研究走向真正的臨床輔助決策。論文的程式碼、模型權重以及詳細的實驗結果已在arXiv平臺上公開，供社群復現和進一步探索。