SPARCL：空间覆盖驱动的胸片主动学习

基于摘要分析。本文研究胸部 X 光（CXR）病灶分割中的主动学习问题，提出 SPARCL，将预测不确定性与累积空间覆盖相结合，以减少标注样本空间分布不均带来的区域性能差异。其主要研究对象是医学影像分割，而非 EEG 解码或 BCI。 机制上，SPARCL 使用凹覆盖函数，使已标注区域的新增覆盖收益递减，从而将标注预算引向标注不足的区域；当空间变化不存在时，熵门控使算法退回标准不确定性采样。作者指出覆盖目标具有单调次模性质，可支持具有近似最优保证的贪心批量选择；该保证的具体条件、适用目标及与不确定性项的组合方式尚需全文核对。 评估方面，作者提出 Spatial Inconsistency（SI）和 Performance Coverage（PC），用于衡量主动学习轮次中的解剖区域公平性，补充总体 Dice 对局部失败的刻画。作者报告，在内部钙化队列及公开 CXR 基准的评估中，SPARCL 使用 24% 的数据达到全监督性能的 95%，最佳基线需要 29%。摘要未明确这一结果对应的具体数据集、性能指标、数据划分及预算口径，不能将其解释为 Dice 达到 95%；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 主动学习任务存在可定义、可比较的空间区域，该覆盖机制可能用于研究仅按不确定性选样造成的区域偏好。可复用的是覆盖目标与贪心选择思路，需改造的是区域定义、覆盖统计和熵门控；电极位置并不直接等同于影像病灶位置，低信噪比、跨被试通道差异及小数据可能使覆盖统计失真。一个小规模可检验实验是在固定通道布局、固定标注预算与相同划分下，对比标准不确定性采样和加入区域覆盖的采样，检查总体及分区域表现是否同时改善。相关 EEG 工作尚未检索确认。