算法论文把人工标注当真值，标注不确定性怎样说明？

医学影像AI论文把人工标注称为“真值”，容易让读者误以为每张图像只有一个无争议答案。实际任务中，病灶边缘、轻微征象或分级界限可能让有经验的阅片者也产生分歧。模型与某份标签不一致，未必全是模型错误；同样，模型与共识标签一致，也不证明判断没有不确定性。投稿时应把标签来源、独立判读和争议处理写成可追溯流程。

定义标注任务与参考标准

先说明标签是患者级诊断、检查级结果、图像级类别，还是像素级病灶轮廓；每类标签依据什么资料产生。影像报告提取、病理结果、随访结局和专家阅片不是同一种参考标准，时间窗口也可能不同。列出每位标注者的专业背景、培训、是否知道临床信息及模型输出，以及判读所用图像和工具版本。CLAIM 2024建议用“参考标准”表述模型评估所对照的依据，避免把人工标注天然称为确定真值。

保留最初的独立意见

如果两名或多名标注者参与，说明是每张图都双人判读，还是只有抽样复核。保存各自原始标签，再报告整体和关键亚组的一致性；不能只保留讨论后的统一标签。分割任务可比较边界重叠，分类任务可列分歧交叉表；具体一致性指标应符合标签类型。对于少见或边界病例，给出被仲裁的数量和比例，而不是笼统写“分歧经讨论解决”。原始影像AI研究显示，专家标签噪声和分歧会影响模型评估的解释。

仲裁规则写在结果之前

说明争议是由第三位专家、集体会议、补充检查还是随访信息决定，仲裁者看到哪些资料。若把原有诊断标签与新共识标签混用，训练集和测试集应分别列明规则。测试集标签不宜为了适配模型预测而事后改写；确需更正时，保存变更理由和模型评估前后的结果。对没有足够证据裁决的病例，可以保留“不确定”标签或按预先规则排除，并报告数量，不能悄悄归入阴性。

性能结果要显示参考标准的边界

报告模型相对于最终参考标准的主要指标，同时说明参考标准形成过程中有多少初始分歧。若可能，可在独立阅片者标签和共识标签下分别检查关键指标，观察结论是否依赖某位阅片者。对病灶检测或分割，应说明每个病灶如何匹配、边界差异怎样计分。若参考标准来自病历文本自动抽取，抽样人工核查误标率，并说明与实际图像征象之间可能存在的偏差。

提交前抽一例标签被修改的图像，追到初始判读、仲裁记录、最终测试标签和模型计分。这条路径应说明性能表究竟在比较模型输出与哪种参考证据。

参考信息：CLAIM 2024医学影像AI报告清单；STARD-AI诊断准确性报告指南；医学影像专家标签噪声原始研究。