Temporal Retinal U-Net：當確定性回歸勝過複雜隨機模型時
背景：從序列醫學影像預測疾病進展有助臨床決策。方法：提出以任務熵與後驗集中度衡量生成複雜度，並強調訓練與推論輸入對齊。實驗：在FAF資料比較五種條件，對齊顯著提升SSIM；當採集變異主導時，確定性回歸表現相當。在多廠牌多模態資料上評估，確定性模型匹配或超越三項基準。
速報
研究指出，在從序列影像預測疾病進展時，模型複雜度應與任務可預測成分的熵相當，且訓練與推論輸入對齊是關鍵。
方法與衡量
作者提出兩項輕量測度：對原始影像對的任務熵分析，與對隨機模型的後驗集中度分析。這兩項衡量能在投入複雜生成模型前，先評估任務所需的表達能力。
實驗與發現
在眼底自體螢光(FAF)資料上，研究比較五種條件設定，從標準條件式擴散、對齊的隨機訓練，到確定性回歸。結果顯示，訓練-推論對齊帶來顯著改善（delta-SSIM與SSIM提升，p值顯著）。此外，跨兩個FAF平台與en-face SLO的分析發現，訪視間變化多由採集穩定性造成，疾病短期進展相對較小，導致隨機模型的後驗實際集中為近似單點。
應用與意義
基於上述機制，研究訓練了一款確定性Temporal Retinal U-Net(TRU)，並在28,899眼、跨廠牌與多模態的零鏡頭評估中，於delta-SSIM、SSIM與PSNR等指標上匹配或超越三項已發表基準。當疾病進展緩慢且採集差異佔優時，簡潔的確定性回歸能提供與複雜隨機模型相當甚至更佳的實務表現。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
