在医疗影像模型的部署中，通常缺少人口统计、获取及质量元数据，从而影响子群审核。一旦这些元数据消失，临床关键的失败模式可能被强大的整体性能所掩盖，许多鲁棒学习方法也失去了依赖的群体结构。我们提出了CAPRA，一个用于缺失元数据的隐性子群分析的校准代理轴框架。CAPRA预测图像派生的语义轴，通过患者级交叉拟合在小规模的有元数据标记分割上校准轴后验，并将这些后验组织成一个校准的子群接口，支持部署时的失败分析和下游鲁棒学习，而无需在部署时提供子群标签。
在眼底、皮肤镜和胸部X光影像中，CAPRA揭示了仅通过元数据切片无法发现的差异模式，能够在数据集变化下保持信息性，并生成的子群划分与显式失败轴的对齐程度高于仅基于图像或潜在切片的基准。相同的接口也可以被下游鲁棒学习者重用，尽管这些收益在不同领域上会有所不同。总之，CAPRA将缺失元数据下的隐性子群分析转变为一个校准、可解释且可重用的子群接口，便于部署时的分析和鲁棒迁移。
博主点评： CAPRA的提出为医疗影像分析领域提供了新的解决方案，尤其是在缺失关键元数据的情况下。这种校准的框架不仅提升了模型的解释性，还增强了对隐性子群的发现能力，为未来的鲁棒学习奠定了基础。其潜在应用将有助于提高医疗影像的诊断准确性。