# 两类不确定性

有了无限的数据和模型能力，我们就能解决诊断问题吗？

Canonical: https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty

Edition: cn · Language: zh-CN · Revision: 2026-10-21

Published: 2026-10-21

修正了 PET 的例子：炎症也会出现 FDG 摄取，因此增加相关信息可能有帮助，但不能保证得出诊断。

## [定义](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#%E5%AE%9A%E4%B9%89)

按定义，不确定性有两类，分别是：

### [1\. 偶然不确定性（Aleatoric Uncertainty）](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#1-%E5%81%B6%E7%84%B6%E4%B8%8D%E7%A1%AE%E5%AE%9A%E6%80%A7aleatoric-uncertainty)

（也称不可约不确定性 / 数据不确定性）

这类不确定性来自数据生成过程本身固有的随机性或变异。即使你拥有完美的模型和无限的数据，这种“噪声”也无法消除。

可以把它理解为：即使条件看起来完全相同，仍会让结果发生变化的那些不可预测因素。

**例子：** 掷一枚公平骰子的结果、测量设备中固有的传感器噪声，或天气变化中的自然波动。

**特点：** 无法通过收集更多数据或改进模型来减少。

### [2\. 认知不确定性（Epistemic Uncertainty）](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#2-%E8%AE%A4%E7%9F%A5%E4%B8%8D%E7%A1%AE%E5%AE%9A%E6%80%A7epistemic-uncertainty)

（也称可约不确定性 / 模型不确定性）

这类不确定性来自我们对系统、模型或参数缺乏了解或信息。它源于我们尚不知道的东西。

原则上，可以通过获取更多数据、改进模型，或加深对底层过程的理解来减少这种不确定性。

**例子：** 训练数据集有限，导致模型参数存在不确定性；不确定哪种模型结构最适合描述某个现象；或因某些变量没有被测量而产生的不确定性。

**特点：** 可以通过收集更多数据、改进模型，或加深理解来减少。

## [与医学影像的关系](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#%E4%B8%8E%E5%8C%BB%E5%AD%A6%E5%BD%B1%E5%83%8F%E7%9A%84%E5%85%B3%E7%B3%BB)

正如我在[医学图像分析的挑战](https://astro-blog-bice-chi.vercel.app/cn/blog/the-challenge-of-medical-image-analysis)中提到的，医学影像存在“高维、小样本”的问题，所以我们显然面临着认知不确定性。

我们总是渴望更多数据、质量更好的数据，以及多样性更丰富、涵盖罕见疾病的样本。因为数据是改进模型最有效的方式——比那些巧妙的技巧（数据增强、损失函数等）更有效。这些技巧当然有帮助，但随着复杂度不断叠加，最终会出现收益递减，甚至负收益。

而在这样的样本量下，增加模型规模和“改进架构”似乎也很难带来相应的收益；新增的容量似乎更多是在记忆（过拟合），而不是泛化。

但我确实认为，偶然不确定性也在悄悄介入，而且程度超出了我们的预期。

当数据已经覆盖了相当多的变化，到了一个失败案例看起来倒像是标注错误的程度，它甚至会开始让算法开发者和初级标注员感到困惑。

我以前认为，这一定是标注质量的问题（仍属于可以减少的认知不确定性）。但医学图像复杂而难以辨识的特性，意味着其中总会存在无法消除的差异。

这就引出了一个很有意思的矛盾：构建模型时，我们究竟应该怎样处理“上下文”？

## [一个假想的例子](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#%E4%B8%80%E4%B8%AA%E5%81%87%E6%83%B3%E7%9A%84%E4%BE%8B%E5%AD%90)

考虑这样一个场景：你正在开发一个肺结节检测器，本质上就是 在一片布满白色分支（支气管）的黑暗空间（肺）里，寻找孤立的白色团块。 我知道这是一个极大的简化，不过先请容我这么说

### [你想减少上下文](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#%E4%BD%A0%E6%83%B3%E5%87%8F%E5%B0%91%E4%B8%8A%E4%B8%8B%E6%96%87)

你对当前版本很满意，把它部署到了生产环境。可突然间，不满的医生找上了你的产品经理，抱怨系统出现了愚蠢的假阳性：把患者胃里的食物残渣也报了出来。胃就在肺的下方不远处，里面的食物残渣碰巧也是黑暗空间中的白色团块。

这时候，增加一点数据几乎没用，因为在检测框提供的上下文范围内，它们是**无法区分的**。加入**大量**样本或许有帮助，但这本质上是在迫使模型从结节的视角，学会分辨肺和胃。

但转念一想，聪明的你可以把肺外的区域遮掉，只在肺内区域训练，以此解决问题。这是缩小问题空间的经典例子。我们把模型的任务从“找到肺，并找到结节”，简化为“在这个指定区域里找到结节”。

通过移除胃这个无关的上下文，我们直接处理了模型对解剖结构的无知——也就是它的认知不确定性。我们给了模型一条关键的先验知识，让它变得更聪明。

### [你想增加上下文](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#%E4%BD%A0%E6%83%B3%E5%A2%9E%E5%8A%A0%E4%B8%8A%E4%B8%8B%E6%96%87)

那么，这是否意味着缩小上下文总是正确答案？当然不是。这就来到了硬币的另一面：偶然不确定性。

想象另一个问题：模型正在分析 CT 上的一个病灶，判断它是否为恶性。单凭 CT 图像，可能本来就难以分辨；良性的炎症与癌性病灶，在结构上可能看起来完全一样。

无论收集多少 CT 数据，模型多么完美，它都无法确定地区分两者。这是真正的数据歧义——偶然不确定性。

要解决这个问题，你不能缩小上下文，而必须增加上下文。

你需要在结节区域之外寻找线索，而且很可能需要 整合多个来源的信息 这本质上就是影像组学（Radiomics） 。增加一种新的模态，比如 PET 扫描，就能给模型提供新的上下文——代谢活动。

不过，癌症和炎症都可能出现 FDG 摄取，因此 PET 并不会自动解决两者的区分问题。[^1]

更广泛地说，我们应当补充与这种歧义相关的信息，例如临床病史、既往影像，或适当选择的额外检查。这可以减少在现有输入条件下的不确定性，但不保证得到确定的结论。

## [要点](https://astro-blog-bice-chi.vercel.app/cn/blog/the-two-types-of-uncertainty#%E8%A6%81%E7%82%B9)

构建稳健模型的艺术，就在于把握这种平衡。我们必须果断排除无关的上下文，简化模型的任务（减少认知不确定性）；同时，也要主动寻找更全面、相关的上下文，澄清数据本身的含义（减少偶然不确定性）。

因此，选择恰当的上下文来建模，不只是重要——它就是构建有效 AI 系统的核心挑战。

那么，怎样选择恰当的上下文？我们会在[利用先验知识](https://astro-blog-bice-chi.vercel.app/cn/blog/prior-knowledge)中进一步讨论。

出处与延伸

## 参考资料

[^1]: EANM/SNMMI guideline/procedure standard for \[18F\]FDG hybrid PET use in infection and inflammation in adults v2.0: [https://pmc.ncbi.nlm.nih.gov/articles/PMC11732780/](https://pmc.ncbi.nlm.nih.gov/articles/PMC11732780/)