细微管状结构半监督学习中的“教师彩票效应”与共识集成陷阱
面向计算机专业学生的第二篇论文导读。从前置四大病理机制（$L_1 \sim L_4$）确立，到直觉补救方案 Stream C（多教师一致性集成）的实证检验，再到 2026-11-05 新加坡国家超算（NSCC ASPIRE 2A）三大预注册门槛的严格审计 —— 两条看似显然的补救均被实证证伪（增量标注无效 + 共识集成更差），从而确立核心机制发现：保守共识陷阱（The Conservative Consensus Trap）。
30 秒速览
在肝脏、肌肉等块状实体器官上，半监督伪标签学习（Semi-Supervised Learning）已被证明能极大节约标注成本。但在细微管状分支解剖（肺动脉分支树 Parse2022、脑底动脉环 TopCoW、冠脉 ImageCAS）上，这套逻辑全面受挫：
- 病理确立（$L_1 \sim L_4$）：学生自测 Dice 高达 0.67+，但拿到专家盲测金标准上一测仅有 0.46（存在 $+21.32\text{ pp}$ 的虚假繁荣自评遮蔽 Gap）；扩增教师样本至 $N=30$ 时，两名同规模独立教师在细支上的体积偏倚差仍高达 $25.31\text{ pp}$ 并伴随正负极性反转。学生学到什么全凭“教师彩票”。
- 直觉补救一证伪（加样本无用）：真包含嵌套扩增（$N=10 \to 20 \to 30$）实测单调递减未达成（`monotonic_decrease=false`），方差扩大 $-46.79\%$，证明常规增量标注无法消除彩票效应。
- 直觉补救二证伪（多教师共识反噬）：Stream C 采用双教师概率均值集成与 CADW 门控，实测细支体积相对误差从单教师的约 $-23\%$ 剧烈恶化至 $-47.71\%$，Dice 从 $0.5730$ 暴跌至 $0.4633$！门槛一因评测脚本软链专家掩膜产生 16 位完全相同的恒等伪像，实为无效/未测试。三项预注册门槛无一达成（`STREAM_C_FALSIFIED_0_OF_3`）。
- 核心理论贡献：“保守共识陷阱”（The Conservative Consensus Trap）：在非对称收缩偏倚下，空间体素加权平均本质上是对细支做保守求交，各自漏掉的细支被并集性丢弃，导致末端断裂被几何级放大。这一干净有力的负面结果预先证伪了审稿人必然会问的“为什么不多用几个教师取共识”，构成了极具学术信誉的实证闭环。
怎么读这一页
学术界最常见的诱惑，是把一个未成功的治理方案粉饰为“部分成功”。本页严格遵循 2026-11-05 审计报告定论：不回避 0/3 门槛未达成的客观事实，将两项看似理所当然的工程补救作为反面标靶逐一证伪。请直接看 §3 实测门槛审计 与 §4 保守共识陷阱。
0. 医学背景速成（零基础必读）
0.1 肺动脉与气道树：与块状器官的本质不同
常见的腹部 CT 分割（如肌肉、肝脏、脾脏）都是实体块状器官（Solid Parenchymal Organs）。这类器官的表面平滑，内部体素占绝大多数。哪怕边缘少画或者多画一圈体素，整体体积的相对波动通常不超过 1%~2%。
但本文研究的肺动脉分支树（Pulmonary Artery Tree, Parse2022）与脑底动脉环（TopCoW）属于管状分支解剖（Tubular Tree Anatomy）：
- 主干（Coarse）：肺动脉主干，管径粗大（> 10 mm），CT 对比度鲜明；
- 中段分支（Middle）：叶支、段支，管径在 3~10 mm 之间；
- 末端细支（Thin / Distal）：亚段及亚毫米末梢分支，管径仅 1~2 个体素（< 2 mm）。
0.2 管状结构的几何魔鬼：断裂与极高 S/V
细微管状结构有两个致命特点：
- 极高的表面积-体积比（$S/V$）：末梢血管几乎所有体素都在表面边界上；
- 断端连通性敏感：实体器官边缘缺几个体素只是轻微凹陷；但细血管如果在中间缺了 2 个体素，整条下游分支就被“拦腰截断”，拓扑上直接归零。
0.3 半监督伪标签范式：为什么需要教师-学生框架
在临床上，三维全肺高分辨率 CT 包含数百个细小血管分支，放射科医生手动标注一例往往需要 4~8 小时。因此全监督训练标注昂贵，主流方案是半监督学习（SSL）：用少量有标注数据（如 10~20 例）训练教师网络（Teacher），给无标注 CT 生成伪标签，再训练学生网络（Student）。
1. 四大内在失效机制（$L_1 \sim L_4$ 前置病理揭示）
学生模型像复印机一样，机械性地全盘吸收教师伪标签中的系统性方向误差。教师若倾向于膨胀，学生同样膨胀；教师若欠分割萎缩，学生同样萎缩。
学生拿教师生成的伪标签给自己做测试时，表现出极高的 Dice（表观 Dice 虚高 $+14 \sim +21\text{ pp}$）。算法研发者误以为模型表现优异，但拿到独立的专家真值上一测，实际性能断崖下跌。
偏倚与 Dice 劣化严格沿管径层级递增：主干粗管（Coarse）稳如磐石（Dice > 0.88），中段管腔（Middle）受害轻微，末梢细支（Thin）受害最烈。全树 Dice 往往掩盖了细支的崩塌。
在同等样本规模下，不同随机抽样的教师模型在细支上的几何偏倚差异极大（$17.2 \sim 29.0\text{ pp}$），甚至发生正负极性翻转。学生最终学成什么样，完全取决于“抽中了哪位教师的彩票”。
1.4 补救路径一的证伪：扩增样本无法消除教师彩票（LI03-EXT 终审数据）
审稿人最本能的质疑是：“$L_4$ 是不是因为教师只用了 10 例样本（$N=10$）太小？加到 20 例、30 例不就能收敛了吗？”
我们在新加坡超算集群上完成了严格的真包含嵌套扩增实验（$TA_{10} \subset TA_{20} \subset TA_{30}$，$TA \cap TB = \emptyset$），用实测数据证伪了这一猜测：
| 教师样本规模 $N$ | 教师 A 细支相对误差 ($TA$) | 教师 B 细支相对误差 ($TB$) | 教师间偏倚绝对差 $|D_{teacher}|$ | 单调递减检验 (`monotonic_decrease`) |
|---|---|---|---|---|
| $N=10$ (基线) | -26.67% | -9.43% | 17.24 pp | — (基准) |
| $N=20$ (扩增) | -13.41% | -42.44% | 29.03 pp | 扩大 +11.79 pp |
| $N=30$ (对半平分) | +20.30% | -5.01% | 25.31 pp | 仍扩大 +8.07 pp (伴随极性反转) |
docs/results/2026-11-05/li03_parse_teacher_expansion_summary.json。总体方差抑制率实测为 -46.79%（未压缩反而扩大）。2. Stream C 一致性方案设计：试图中和彩票的直觉补救
既然扩增数据无法消除单教师偏倚，那么“用多名教师做一致性集成”就是审稿人和工程师最顺理成章提出的第二条补救路径：
- 一致性软伪标签：对两名独立教师后验概率场做算术平均：$P_{consensus}(x) = \frac{1}{2}(P_{T_A}(x) + P_{T_B}(x))$；
- 管径感知动态惩罚（CADW）：体素分歧度 $U(x) = |P_{T_A}(x) - P_{T_B}(x)|$，在细支高分歧区域施加权重惩罚：$w(x) = 1.0 - \alpha \cdot U(x) \cdot \mathbb{I}(x \in \text{Thin})$。
3. 2026-11-05 闭环实测与审计：补救路径二的彻底证伪
在新加坡超算 NSCC ASPIRE 2A 上完整跑完 300 轮训练与评测后，独立审计（docs/reports/audit-stream-c-2026-11-05.md）对实验进行了严密核验：
评测代码软链专家掩膜恒等伪像 未测试
预设 [-10%, +10%] 证伪 (低估加剧)
预设 >= 0.5730 未达标 (劣于基线)
3.1 门槛一审计：恒等伪像的发现与结论撤回
在 run_stream_c_consensus.py:226-233 中，40 例验证集的标签文件是直接从专家数据集软链过来的；而第 390 行所谓的“伪标签参照”正是读取该软链。因此脚本实际上是用专家标签算了一遍，再减去同样用专家标签算出的数字。归档里两个数值在小数点后 16 位完全一致（0.46328591983662415），导致 Gap 机械性等于 0.0。实际上，验证集从未生成过共识伪标签，该门槛所需的对象根本不存在。因此，原汇报中关于“门槛一通过、自评 Gap 消除 100%”的表述全部撤回，门槛一标记为无效。
3.2 真正的科学结果：三组并排对照揭示低估严重恶化
把三组实验在 40 例专家验证集远端细支上的实测指标并排摆出，真相一目了然：
| 学生模型 | 训练伪标签源 | 细支相对体积误差 (`rel_err_mean`) | 细支 Dice | 机制定性 |
|---|---|---|---|---|
| $S_E$ | 专家金标准（对照组） | -24.74% | 0.5730 | 有监督上限 |
| $S_A$ | 单教师 A 伪标签（基线） | -22.65% | — | 单教师继承基线 |
| $S_{consensus}$ | 双教师共识 + CADW（Stream C） | -47.71% | 0.4633 | 严重萎缩 · 劣于单教师 |
docs/results/2026-11-05/paper2_stream_c/stream_c_summary.json。综合裁决：STREAM_C_FALSIFIED_0_OF_3。4. 核心理论突破：“保守共识陷阱”（The Conservative Consensus Trap）
为什么直觉上理应中和方差的“多教师加法平均”，反而把细支体积低估从约 $-23\%$ 推到了极为恶劣的 $-47.71\%$，Dice 暴跌 0.11？
在具有非对称几何收缩偏倚的管状分支结构中，朴素的空间体素级加权平均（$\frac{1}{2}(P_A + P_B) > 0.5$）并没有中和偏倚，而是机械退化为一个极度严苛的“保守求交算子”（Intersection Bias）。
4.1 为什么加法集成变成了“末梢切除手术”？
细微血管的末端管径只有 1~2 个体素。由于两名教师存在非对称收缩（$TA_{20}=-13.41\%$ vs $TB_{20}=-42.44\%$）：
- 对于末梢某一体素 $x$：较敏感的教师 A 预测置信度较高（$P_{TA}(x) = 0.85$）；但稍有萎缩断裂的教师 B 在此断开，预测概率仅为 $P_{TB}(x) = 0.05$；
- 在体素级做算术平均后： $$P_{consensus}(x) = \frac{0.85 + 0.05}{2} = 0.45 < 0.50$$
- 体素均值立刻跌破 0.50 判定阈值，该分支末端在伪标签中被直接切除！
结论：各自漏掉的细支被并集性地丢弃，低估被急剧放大而不是中和。 叠加 CADW 在分歧区压低损失权重，学生模型学会了极度保守的策略 —— 只分割双教师绝对重合的粗壮主骨架，细梢近乎全军覆没。
4.2 对医学影像计算领域的深远价值
这个实证发现比硬凑一个“部分改善”有分量得多：
- 提前封死审稿人最核心的攻击点：审稿人一定会问“那你们为什么不多用几个教师取平均共识”。本文直接用详实严谨的负面数据证明：在细微分支解剖中，朴素概率平均是死路一条。
- 确立了从空间像素向拓扑骨架一致性的理论范式转移：管状分支半监督必须从“体素空间平均”转向“拓扑骨架连通性保持（Skeleton-preserving Consensus）”——只要单侧教师检测到了连通脉络，就必须按拓扑优先原则予以延展，而非暴力抹杀。
5. 证据链与追溯对账
| 指标类别 | 归档文件路径 | 关键字段 | 真实状态 / 实测值 |
|---|---|---|---|
| Stream C 终审裁决 | docs/results/2026-11-05/paper2_stream_c/stream_c_summary.json | overall_verdict | STREAM_C_FALSIFIED_0_OF_3 (0/3 达成) |
| 门槛一（遮蔽 Gap） | 同上 | gates.gate1_masking_gap_le_10pp | ⚠️ 无效 (软链专家掩膜恒等伪像，未测试) |
| 门槛二（细支偏倚） | 同上 | metrics_expert_validation.thin.rel_err_mean | ❌ -47.71% (未进入 [-10%, +10%]) |
| 门槛三（细支 Dice） | 同上 | metrics_expert_validation.thin.dice_mean | ❌ 0.4633 (未达 >= 0.5730) |
| 教师 N=30 偏倚差 | docs/results/2026-11-05/li03_parse_teacher_expansion_summary.json | scale_dose_response.N30.abs_diff_thin | 25.31 pp (伴随极性反转) |
| 教师单调性检验 | 同上 | scale_dose_response.monotonic_decrease | false (抑制率 -46.79%) |
6. 期刊定位与审稿防守
目标定位：生物医学工程主流刊物
候选 CMIG / IEEE JBHI（⚠️ 分区与 IF 随年度动态调整，投稿前必须按规程重新核实，目前标注为待核实）。两刊均高度青睐对医学影像算法隐形盲区的深层病理剖析。
审稿防守策略：“两套显然补救均告失效”
手稿采用“诊断 ($L_1 \sim L_4$) $\to$ 补救一证伪（数据增量至 30 例无法消除彩票）$\to$ 补救二证伪（多教师共识触发保守求交陷阱）”的完整实证长文架构。这种敢于呈现干净、可解释负面结果的研究，远比勉强刷高 0.01 Dice 的增量灌水文更具学术硬度。
7. 给 CS 学生的七条外带
- 在几何敏感结构上，像素级算术平均不是免费的，它会退化为保守求交。平均 0.85 与 0.05 得到的是被阈值抹杀的 0.45。
- 评测代码里的软链接是制造恒等伪像的高危源。把金标准软链进评测路径，算出来的 Gap 永远是完美的 0.0。
- 单边门槛是自欺欺人的设计漏洞。写下
gap <= 0.10时，永远要反问：“如果出现巨大的负值，它会不会错误地通过？” - 预设门槛在运行前写死，就要在未通过时如实承认。把 0/3 包装成“部分通过”，会毁掉整篇论文的诚信基石。
- 干净的负面结果比勉强的正面结果更有说服力。证伪审稿人最想提出的解法，能彻底封死审稿攻击面。
- 样本扩增不解决开放性末梢分支的抽样方差。在 $N=30$ 时，教师间细支偏倚差依然高达 25.31 pp。
- 全树汇总量永远在掩盖局部崩溃。全树 Dice 0.8122 看似正常，看细支 -47.71% 才知道末梢断绝。
8. 仓库导航
| 想看什么 | 去哪 |
|---|---|
| Paper 1 脊柱体成分导读 | docs/explainer/index.html (或 paper1.html) |
| Stream C 与 README 独立审计报告 | docs/reports/audit-stream-c-2026-11-05.md |
| Stream C 闭环终审归档 | docs/results/2026-11-05/paper2_stream_c/stream_c_summary.json |
| Parse 教师扩增全量评测 | docs/results/2026-11-05/li03_parse_teacher_expansion_summary.json |
| 4 位教师独立评测 JSON | eval_TA20.json · eval_TB20.json · eval_TA30.json · eval_TB30.json |
| 全量 219 项单元测试 | tests/test_stream_c_consensus.py · tests/test_parse_teacher_expansion.py |