【论文复现】CoFailMed：从零复现医学图像分割的共享失败审计，含完整代码流程与科研绘图

【论文复现】CoFailMed：从零复现医学图像分割的共享失败审计，含完整代码流程与科研绘图

论文：Different Models, Shared Failures: Auditing Frozen-Encoder Pools for Medical Segmentation 。本文依据随附的 47 页论文及 CoFailMed-main.zip 编写，论文首页标注为 NeurIPS 2026 Evaluations and Datasets Track，arXiv:2610.41790v1，2026-10-30。

本文提供两条可衔接的路线：① 使用作者公开的逐样本 Dice，CPU 重算论文统计；② 获取原始数据和预训练权重，从特征提取、训练到推理、审计和出图。随文科研统计图来自公开数据的重新计算；最后的定性案例图是明确标注来源的原论文图。本次交付未下载原始医学影像、未执行 GPU 训练，也未生成新的临床图像预测结果。

关键词： 医学图像分割、模型多样性、共享失败、冻结编码器、DINOv2、模型池、有效规模、可复现科研。

文章目录

• 【论文复现】CoFailMed：从零复现医学图像分割的共享失败审计，含完整代码流程与科研绘图
• • 一、这篇论文到底研究什么？
  • 二、先分清三种"复现完成"
  • • [2.1 统计复现：无需 GPU，最先完成](#2.1 统计复现：无需 GPU，最先完成)
    • [2.2 训练复现：需要原始数据、权重与计算资源](#2.2 训练复现：需要原始数据、权重与计算资源)
    • [2.3 图像级复现：需要真实影像、GT 与预测](#2.3 图像级复现：需要真实影像、GT 与预测)
  • 三、代码结构与推荐阅读顺序
  • [四、路线A：从零完成 CPU 统计复现](#四、路线A：从零完成 CPU 统计复现)
  • • [4.1 创建独立环境](#4.1 创建独立环境)
    • [4.2 理解官方核心命令](#4.2 理解官方核心命令)
    • [4.3 成功后先看什么？](#4.3 成功后先看什么？)
  • 五、把论文的统计口径讲清楚
  • • [5.1 逐病例 Dice，而不是只保留平均 Dice](#5.1 逐病例 Dice，而不是只保留平均 Dice)
    • [5.2 质量过滤按 bundle 执行](#5.2 质量过滤按 bundle 执行)
    • [5.3 连续 Dice 相关性与 Δ](#5.3 连续 Dice 相关性与 Δ)
    • [5.4 失败阈值与有效规模](#5.4 失败阈值与有效规模)
    • [5.5 置信区间不能随意换重采样单位](#5.5 置信区间不能随意换重采样单位)
    • [5.6 模型池选择使用另一条 P33 规则](#5.6 模型池选择使用另一条 P33 规则)
  • 六、路线B：准备原始数据与训练环境
  • • [6.1 为训练另建环境](#6.1 为训练另建环境)
    • [6.2 下载入口与目录](#6.2 下载入口与目录)
    • [6.3 主任务的目标与划分](#6.3 主任务的目标与划分)
    • [6.4 预处理必须沿用代码](#6.4 预处理必须沿用代码)
  • [七、从一个 cell 跑通，到完整220个分割头](#七、从一个 cell 跑通，到完整220个分割头)
  • • [7.1 第一步：生成输入清单](#7.1 第一步：生成输入清单)
    • [7.2 第二步：特征缓存＋4个种子训练](#7.2 第二步：特征缓存＋4个种子训练)
    • [7.3 第三步：检查输出，不要盲目重启](#7.3 第三步：检查输出，不要盲目重启)
    • [7.4 第四步：使用随文调度器跑完整网格](#7.4 第四步：使用随文调度器跑完整网格)
  • 八、对自己训练出的结果进行审计
  • • [8.1 汇总完整主实验的220个trace](#8.1 汇总完整主实验的220个trace)
    • [8.2 跑 trace 版相关性与P33统计](#8.2 跑 trace 版相关性与P33统计)
    • [8.3 对自己结果运行模型池选择](#8.3 对自己结果运行模型池选择)
  • 九、从主实验扩展到论文对照与附录
  • • [9.1 所有公开扩展统计：优先直接重算](#9.1 所有公开扩展统计：优先直接重算)
    • [9.2 17编码器层级实验与held-out任务](#9.2 17编码器层级实验与held-out任务)
    • [9.3 UNet-skip readout](#9.3 UNet-skip readout)
    • [9.4 全参数微调与随机初始化](#9.4 全参数微调与随机初始化)
    • [9.5 nnU-Net：必须使用case-identical holdout](#9.5 nnU-Net：必须使用case-identical holdout)
    • [9.6 医疗编码器、逐rater和AMOS](#9.6 医疗编码器、逐rater和AMOS)
  • 十、科研图如何制作与核验？
  • • [10.1 本文提供哪些图？](#10.1 本文提供哪些图？)
    • [10.2 原论文定性图如何使用？](#10.2 原论文定性图如何使用？)
    • [10.3 层级与训练控制的补充科研图](#10.3 层级与训练控制的补充科研图)
    • [10.4 训练后绘制自己的真实分割图](#10.4 训练后绘制自己的真实分割图)
  • 十一、常见报错与数值对不上的原因
  • • [11.1 `No module named fmpool` 或 `analysis`](#11.1 No module named fmpool 或 analysis)
    • [11.2 `FMPOOL_DINOV2_REVISION must pin ...`](#11.2 FMPOOL_DINOV2_REVISION must pin ...)
    • [11.3 manifest/cache/encoder哈希不一致](#11.3 manifest/cache/encoder哈希不一致)
    • [11.4 为什么运行完整网格前就提示目录存在？](#11.4 为什么运行完整网格前就提示目录存在？)
    • [11.5 OOM或缓存太大](#11.5 OOM或缓存太大)
    • [11.6 数值小幅漂移](#11.6 数值小幅漂移)
    • [11.7 有效规模不等于论文值](#11.7 有效规模不等于论文值)
    • [11.8 图像导入CSDN后不显示](#11.8 图像导入CSDN后不显示)
  • 十二、复现验收与可直接使用的结论
  • 参考资料与引用

一、这篇论文到底研究什么？

假设我们给同一张医学影像使用 4 个模型。模型名字各不相同，并不意味着它们能够相互弥补错误：它们可能恰好在同一批困难病例上同时失效。

CoFailMed 关注的就是这种共享失败。它不是提出一个新的分割网络，也不是证明某个集成方案一定提高 Dice，而是建立一套审计流程，检查：

1. 共享同一预训练权重的不同分割头，是否在相同病例上表现相似？
2. 同一家族不同 checkpoint，与跨家族模型相比是否仍有更强依赖？
3. 名义上包含 4 个成员的模型池，在失败依赖下，相当于多少个独立成员？
4. 微调使"组间相关性差距"变小，是否意味着失败依赖真的减弱？

主实验包含 11 个编码器 × 5 个任务 × 4 个分割头种子 = 220 个训练头。按"任务＋编码器"计算，共 55 个 cell；每个 cell 只提取一次冻结特征，供 4 个种子复用。

图1：依据论文第3～4节和实际训练代码重绘的方法流程。每个统计结论都建立在病例顺序严格对齐的逐样本评分上。

二、先分清三种"复现完成"

2.1 统计复现：无需 GPU，最先完成

输入是作者发布的 data/*.npz 和元数据，输出包括相关性、置信区间、有效模型池规模、选择频率、消融与扩展实验统计。它复现的是已发布预测评分的计算结果。

这条路线无需下载原图或模型权重，适合先验证环境、理解指标，再决定是否投入训练。

2.2 训练复现：需要原始数据、权重与计算资源

输入是上游数据集、固定划分和模型权重；输出是特征缓存、分割头 checkpoint、逐样本 Dice 及运行记录。之后再对自己产生的结果运行统计。

主实验使用 Python 3.10 / CUDA 12.4 / PyTorch 2.6.0。原论文记载训练使用共享集群的 7 张 A100-SXM4-80GB；这不是最低硬件要求，也不能直接换算成个人显卡运行时间。本文不承诺某张显卡的显存或耗时。

2.3 图像级复现：需要真实影像、GT 与预测

仅有 Dice 不能还原分割掩码，因此不能凭评分包"生成自己的分割可视化"。像素错误重叠的统计值 可以使用发布的 pixel_overlap.npz 重算；新的空间错误示例必须在真实预测产生后绘制。

另外，公开包未包含 Phikon 输出，论文中依赖 Phikon 的完整医疗编码器池结果无法仅凭该压缩包精确重算。不要把缺少 Phikon 的子集当作论文完整医疗模型池。

三、代码结构与推荐阅读顺序

解压随文复现包后，目录关系如下：

CoFailMed复现/
├── CoFailMed-main/                 # 用户提供的原始代码，保持不变
│   ├── README.md
│   ├── REPRODUCING.md              # 论文结果与命令的对应关系
│   ├── scores.py                  # 评分加载、病例对齐、质量过滤
│   ├── correlation.py
│   ├── effective_size.py
│   ├── pool_selection.py
│   ├── sensitivity.py
│   ├── diagnostics.py
│   ├── extensions.py
│   ├── data/                      # 已发布评分，不含原始影像
│   ├── reference_results/         # 作者参考CSV，只用于核验
│   └── code/
│       ├── configs/encoder_sources.json
│       ├── data/splits/           # 论文固定划分
│       ├── src/fmpool/            # 数据加载、编码器、解码头
│       ├── scripts/               # 训练、推理、统计入口
│       └── stats/analysis/
└── 交付/
    ├── CSDN_CoFailMed从零复现.md
    ├── README_使用说明.md
    ├── requirements-figures.txt
    ├── scripts/                   # 本文新增的执行与绘图工具
    ├── results/                   # 本次真实计算的CSV与核验记录
    └── figures/                   # PNG/SVG图片与来源清单

建议先读根目录 README.md 与 REPRODUCING.md，再读 code/README.md，最后按具体阶段定位代码。不要直接运行 table_generation/ 期待生成整篇论文；这些生成器依赖原研究工作区的结果树，且作者说明部分终稿排版经过手工调整。

四、路线A：从零完成 CPU 统计复现

4.1 创建独立环境

统计脚本支持 Python 3.10～3.12。以下以已安装 Python 3.12 为例，进入解压后的 交付 目录。

Windows PowerShell：

py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements-figures.txt
.\.venv\Scripts\python.exe scripts/reproduce_cpu.py --repo ../CoFailMed-main --full
.\.venv\Scripts\python.exe scripts/plot_figures.py --repo ../CoFailMed-main

Linux / WSL：

python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements-figures.txt
python scripts/reproduce_cpu.py --repo ../CoFailMed-main --full
python scripts/plot_figures.py --repo ../CoFailMed-main

requirements-figures.txt 固定 NumPy 1.26.4、SciPy 1.15.3 和 Matplotlib 3.10.8。前两个版本来自原仓库的统计环境；Matplotlib 是本文绘图所需的新增依赖。

reproduce_cpu.py 会依次做四件事：

1. 检查原仓库 MANIFEST.sha256 中的公开评分、元数据与参考文件；
2. 执行作者的 unittest；
3. 调用官方脚本重算结果；
4. 将生成的 CSV 与作者参考 CSV 对比，写入 results/verification.json。

参考 CSV 只用于最后对比，不会充当统计计算的输入 。不带 --full 时只执行 7 组核心统计；--full 增加扩展与附录，共 27 组分析命令。

脚本按命令和文件哈希保存完成记录。重复调用会跳过内容未变的已完成输出，避免重新计算；只有明确需要重算时才使用 --force。

4.2 理解官方核心命令

如果不使用本文的封装脚本，可以在 CoFailMed-main 根目录手动执行：

mkdir -p results

# 主实验、checkpoint层级、ViT对照、训练对照的点估计
python correlation.py --analysis all --output results/correlations.csv

# 论文Table 2：主置信区间＋层次重采样敏感性
python correlation.py --analysis primary --bootstrap 2000 --hierarchical \
  --output results/primary_intervals.csv

# 单独重算case-bootstrap敏感性，尤其用于比较ACDC/BraTS
python correlation.py --analysis primary --bootstrap 2000 --unit case \
  --output results/primary_case_intervals.csv

# 论文主口径：各训练配方自己的pooled P33
OPENBLAS_NUM_THREADS=1 OMP_NUM_THREADS=1 \
python effective_size.py --bootstrap 2000 --output results/effective_size.csv

# 固定阈值0.85是另一项敏感性分析
python effective_size.py --analysis fixed --output results/fixed_threshold.csv

python pool_selection.py --output results/pool_selection.csv
python sensitivity.py --analysis all --output results/sensitivity.csv

这里的环境变量前缀是 Bash 写法。PowerShell 需要先分别设置：

$env:OPENBLAS_NUM_THREADS = '1'
$env:OMP_NUM_THREADS = '1'
python effective_size.py --bootstrap 2000 --output results/effective_size.csv

4.3 成功后先看什么？

首先确认 results/logs/tests.log 以 OK 结束；然后查看 verification.json 中各个 job 的 errors 是否为空。

本次发现原仓库的一个清单测试在Windows上直接比较 / 与 \ 路径字符串而失败。附加入口 scripts/run_tests.py 只在Windows内存中将该测试的相对路径输出改为 as_posix()，保留完整文件列表与SHA核验，不改原文件、不跳过测试。原始失败记录保存在 results/logs/tests_original_windows.log。

主实验预期的"相关性差距 Δ / 四成员有效规模"分别是：

• Kvasir：0.265 / 1.559；
• ACDC LV：0.317 / 1.645；
• BraTS foreground：0.340 / 1.828；
• RIGA Cup：0.557 / 2.420；
• RIGA Disc：0.640 / 2.918。

这组值对应论文 Table 2 与 Table E.1(b)，不能把 Δ 当作 Dice 提升，也不能把有效规模当作实际训练了多少个模型。

五、把论文的统计口径讲清楚

5.1 逐病例 Dice，而不是只保留平均 Dice

二值预测集合为 P P P，真实前景为 G G G：

Dice ⁡ ( P , G ) = 2 ∣ P ∩ G ∣ ∣ P ∣ + ∣ G ∣ . \operatorname{Dice}(P,G)=\frac{2|P\cap G|}{|P|+|G|}. Dice(P,G)=∣P∣+∣G∣2∣P∩G∣.

预测由 sigmoid(logit) > 0.5 得到，使用最后一轮权重，Dice 不加平滑项。当预测和 GT 同时为空时记为 1；只有一方为空时记为 0。

每一个模型头都必须在同一批病例、同一顺序上产生一个向量：

d i = ( d i 1 , ... , d i N ) . \mathbf d_i=(d_{i1},\ldots,d_{iN}). di=(di1,...,diN).

把所有模型的这些向量叠起来，才是后续审计需要的 [成员数, 病例数] 矩阵。相同长度并不代表病例已经对齐，必须检查 test_ids / case_ids。

5.2 质量过滤按 bundle 执行

bundle 指"checkpoint＋封装器＋归一化＋特征提取路径"。先对同一个 bundle 的 4 个头和全部病例取平均 Dice，均值不低于 0.30 才保留该 bundle 的全部 4 个头。

它不是逐病例删除低分，也不是仅保留 4 个头里分数最高的那个。主实验过滤后，Kvasir 和两个 RIGA 任务保留 11 个 bundle；ACDC 和 BraTS 保留 10 个，删除的都是 ResNet-18。

5.3 连续 Dice 相关性与 Δ

对两个模型头的逐病例 Dice 计算 Pearson 相关性，再在指定模型对分组内求均值：

Δ = r ‾ s a m e / r e l e a s e − r ‾ c r o s s . \Delta=\overline r_{\mathrm{same/release}}-\overline r_{\mathrm{cross}}. Δ=rsame/release−rcross.

主分组 same/release 包含：① 同一 bundle 的不同 seed；② DINOv2-B 与 DINOv2-S，因为它们属于同一发布及配方。其余模型对进入 cross-bundle。

因此，主实验的 cross-bundle 不能直接替换成"跨家族"。17 编码器的层级实验又将"共享 checkpoint""同家族不同 checkpoint""跨家族"分开，参考组与主实验不同。

图2：由公开逐病例 Dice 重算。每个编码器对应连续4个种子；灰色表示未通过0.30质量过滤。顺序与文字标签在绘图脚本中固定。图中块结构说明相关性，但不能仅凭热图判断因果来源。

图3：左侧同时展示两组的绝对相关性；右侧给出Δ与主95%区间。ACDC/BraTS按患者重采样，其余按图像重采样，B=2000。

5.4 失败阈值与有效规模

对于一个任务，先在过滤后保留的全部"模型头×病例"Dice 上计算33百分位阈值 τ \tau τ，再定义：

F i n = 1 d i n \< τ . F_{in}=\mathbb 1d_{in}\<\\tau. Fin=1din\<τ.

同一个任务/配方下，共用一个 pooled P33；不是每个模型分别算自己的 P33，也不是固定用 Dice=0.85。

设模型池有 M M M 个成员，失败指示变量的平均两两相关性为 ρ ‾ f a i l \overline\rho_{\mathrm{fail}} ρfail：

M e f f = M 1 + ( M − 1 ) ρ ‾ f a i l . M_{\mathrm{eff}}=\frac{M}{1+(M-1)\overline\rho_{\mathrm{fail}}}. Meff=1+(M−1)ρfailM.

主实验枚举的是 4 个不同 bundle、每个 bundle 选一个头 的池。保留11个bundle时共有 ( 11 4 ) 4 4 = 84480 \binom{11}{4}4^4=84480 (411)44=84480 个候选池；保留10个时为53760个。

每个池内的每个成员至少需要5次失败和5次通过；还要检查分母有效性。RIGA Disc 并非所有候选池都符合支持条件，必须报告支持数，不能把不支持的池填成零。

计算顺序尤其关键：先逐池计算 M e f f M_{\mathrm{eff}} Meff，再对有效池求平均。把全体池的平均相关性代入公式，会因非线性而得到不同的量。论文另提供 exact-covariance 统计，本文主图使用主报告的 equicorrelation 统计。

图4：阈值和bundle集合在bootstrap中固定，重采样时重新检查支持条件。有效规模是特定阈值下的方差等价摘要，不是临床安全保证，也不是实际模型数。

5.5 置信区间不能随意换重采样单位

ACDC/BraTS 的多个切片来自同一个患者。主置信区间抽的是患者，并将该患者所有切片一起带入；将切片当成独立样本通常会得到更窄的区间。

Table 2 主Δ区间使用随机种子0、2000次重采样。--unit case 是独立报告的敏感性分析。--hierarchical 得到的层次重采样分位数描述观察到的模型面板，不能当作对未来所有模型家族的总体置信区间。

5.6 模型池选择使用另一条 P33 规则

对每个任务进行200次50%/50%的校准/评估划分；ACDC/BraTS按患者划分，其他任务按图像或已规定的单位划分。

仅在校准部分：按0.30均值门槛筛bundle，选出每个encoder family最好的单个头，再选排名最高的4个家族代表。ACDC/BraTS的排序均值按患者等权重。

此时阈值是校准部分最优功能头的逐病例Dice P33，不是全模型pooled P33，也不是患者均值的P33。选好模型和阈值后固定到评估集，不能再看评估结果重选。

图5：7个任务，每个200次划分。横线为逐任务exact binomial区间；U表示不支持的划分。它们保留在总分母中，但不计为低有效规模。

论文合计为 910/1400=65.0% 。其中61次不支持；只看支持划分为 910/1339≈68.0%。不能只写"约65%的模型无效"，也不能把这些固定队列上的重复划分当作1400个独立临床实验。

六、路线B：准备原始数据与训练环境

6.1 为训练另建环境

以下训练命令以 Linux / WSL Bash 为准，在 CoFailMed-main 根目录执行。路径中的 /data/cofailmed_raw 是你实际存放数据的位置，需要修改。

conda create -n cofailmed-train python=3.10 -y
conda activate cofailmed-train

python -m pip install -r code/requirements-training.txt
python -m pip install -r code/requirements-pinned.txt

export PYTHONPATH="$PWD/code/src:$PWD/code/stats:$PWD/code/scripts"
export FMPOOL_DATA_ROOT=/data/cofailmed_raw
export CUBLAS_WORKSPACE_CONFIG=:4096:8
export FMPOOL_DINOV2_REVISION=7764ea0f912e53c92e82eb78a2a1631e92725fc8

python -c 'import torch, torchvision; print(torch.__version__, torchvision.__version__, torch.version.cuda, torch.cuda.is_available())'
python -m pip freeze > environment-training.txt
nvidia-smi > gpu-environment.txt

固定文件记录的是直接依赖，并不是完整的传递依赖锁文件。论文匹配目标是 torch 2.6.0、torchvision 0.21.0、CUDA 12.4；版本号正确还不够，必须确认安装的确实是所需CUDA构建 。若 torch.cuda.is_available() 为 False，先检查驱动与安装构建，不要直接启动55个cell。

不要混用 AMOS 的依赖环境；它的要求中 torch 等版本与主训练不同。Windows 可用本文 Python 调度器做路径适配；nnU-Net 和 Bash worker 更适合在 Linux / WSL 环境执行。本文没有将GPU训练标记为本地测试通过。

6.2 下载入口与目录

数据访问按上游要求申请和下载；本文不提供绕过注册的数据镜像。以下入口来自随附仓库 data/README.md：

• Kvasir-SEG：Simula。
• ACDC：官方挑战数据。
• BraTS 2024 GLI：Synapse。
• RIGA+：Zenodo 6325549。
• ISIC-2018：官方挑战数据。
• MSD：Medical Segmentation Decathlon。

整理成：

/data/cofailmed_raw/
├── Kvasir-SEG/
│   ├── images/<id>.jpg
│   └── masks/<id>.jpg
├── ACDC/
│   ├── Images/patientNNN_frameYY.nii.gz
│   └── Masks/patientNNN_frameYY_gt.nii.gz
├── brats2024_gli/
│   ├── training/training_data1_v2/<subject>/<subject>-t2f.nii.gz
│   └── additional/training_data_additional/<subject>/...
├── RIGA/RIGAPlus/
│   ├── *_train.csv、*_test.csv
│   ├── RIGA/<source>/<subdir>/imageN.tif
│   └── RIGA-mask/<source>/<subdir>/imageN-1.tif ... imageN-6.tif
├── ISIC2018_official/
├── Task04_Hippocampus/
├── Task09_Spleen/
└── Task02_Heart/

BraTS 需要完整数据文件，示例树只展示FLAIR文件路径。不要只下载示例文件后认为已满足loader检查。

6.3 主任务的目标与划分

Kvasir： 息肉二值分割，官方880/120划分，官方validation在本文用作测试。测试120张图。主实验保持默认划分；仅在内容分组敏感性实验设置 FMPOOL_KVASIR_SPLIT=grouped_v2。

ACDC LV： 标签3为左心室，使用ED/ES中LV阳性切片。官方训练患者001～100，测试患者101～150；测试为50名患者的977张切片。需要把原官方training/testing中的影像和标签整理为上面的扁平目录。

BraTS FG： 使用2D FLAIR，标签是 seg > 0，包括术腔等所有已标注前景，不能套用传统WT标签定义。按患者80/20划分，同一患者各session不跨集合；每个session最多取10张合格的高前景切片。测试3365张切片、146名患者、339个session。不要重新随机划分替代提交的JSON。

RIGA Cup / Disc： 每图6名标注者；cup取值128、disc取值≥128，至少4名标注者一致才记前景。训练为BinRushed＋MESSIDOR，测试为Magrabia，两个任务各95张测试图。不要把多数投票阈值改为3，也不要直接拿单一rater当GT。

6.4 预处理必须沿用代码

ACDC/BraTS 按 NiBabel 读出的原生第三轴切片，不先做affine重定向、裁剪、补边或强度窗处理。单切片对包括背景在内的全部像素做min--max，缩放到0,255并截断成uint8，常数切片置零，再复制为3通道。

所有输入统一224×224：图像bilinear、align_corners=False、不做antialiasing；主掩码使用nearest。Kvasir/ISIC在特征提取阶段直接用float32缩放，不加入额外uint8往返；RIGA/ACDC/BraTS/MSD由loader缩放并保存uint8。

最后使用各编码器自己的归一化，不能把所有模型一律改成ImageNet归一化。nearest-exact 属于单独的掩码对齐敏感性，不要默默替换主流程。

七、从一个 cell 跑通，到完整220个分割头

7.1 第一步：生成输入清单

以 RIGA Cup＋DINOv2-B 为例，在仓库根目录执行：

mkdir -p inputs/riga_cup

python code/scripts/make_input_manifest.py \
  --task riga_cup --fm dinov2_vitb14 \
  --repository facebookresearch/dinov2 \
  --revision 7764ea0f912e53c92e82eb78a2a1631e92725fc8 \
  --out inputs/riga_cup/dinov2_vitb14.json

这个JSON记录原始文件、split文件及编码器FP32状态哈希。脚本会加载权重，因此这一步也需要网络或可用的本地权重缓存。

code/configs/encoder_sources.json 给出了11个主编码器的来源、记录的revision和 fp32_state_sha256。DINOv2按固定commit加载；其他部分loader仍从hub当前文件加载，所以写入一个revision字符串不代表下载过程已经固定 。必须将实际加载的 state_sha256 与参考哈希对比。本文 train_grid.py 在训练前会执行这个比较，不一致就停止。

7.2 第二步：特征缓存＋4个种子训练

export FMPOOL_CACHE_ROOT="$PWD/cache_primary"

bash code/scripts/run_frozen_cell.sh \
  riga_cup dinov2_vitb14 \
  inputs/riga_cup/dinov2_vitb14.json \
  runs_primary/riga_cup__dinov2_vitb14

该脚本会先提取特征，再按42、43、44、45依次训练头。输出路径：

cache_primary/riga_cup/dinov2_vitb14/
├── manifest.json
├── train.pt
└── test.pt

runs_primary/riga_cup__dinov2_vitb14/
├── status
├── launch.txt
├── extract.log
├── seed_42.log ... seed_45.log
├── checkpoints/riga_cup/dinov2_vitb14/seed_42.pt ...
└── per_case_dice/riga_cup/dinov2_vitb14/seed_42.json ...

训练配置必须保持：FP32；关闭TF32和AMP；Adam学习率1e-3；BCEWithLogitsLoss；30轮；batch=16；最后一轮评估。不要按测试Dice选best checkpoint，不要额外加入增强、余弦调度、Dice loss或weight decay。

train_head_cached.py 中的核心操作是：

head = LinearSegHead(in_dim, num_classes=1, out_size=(224, 224))
optimizer = torch.optim.Adam(head.parameters(), lr=1e-3)
criterion = torch.nn.BCEWithLogitsLoss()

# 这里只展示核心逻辑；实际运行必须调用官方trainer以保留确定性与溯源检查。
logits = head(frozen_features.float())
loss = criterion(logits, masks.float().unsqueeze(1))

LinearSegHead 本体只有1×1卷积与bilinear上采样。主流程不是UNet decoder；UNet-skip属于另一个对照。

7.3 第三步：检查输出，不要盲目重启

确认cell的 status 为 completed，4个seed各有JSON与checkpoint；日志无NaN/Inf错误。逐样本JSON包含 task、fm、seed、test_ids、per_case_dice、运行身份、缓存哈希和头权重哈希。

原脚本拒绝覆盖现有运行目录。这是保留实验记录的机制；如果中断，先看已有日志和产物，再选择新的运行目录，不要简单删除全部缓存重跑。

缓存近似占用可按 N × C × h × w × 4 N\times C\times h\times w\times4 N×C×h×w×4 字节估算。例如DINOv2-B的16×16×768 FP32特征，每1000张约750 MiB，仅计算特征，不含mask、序列化和其他模型。先检查RAM和磁盘，再扩展到完整网格。

7.4 第四步：使用随文调度器跑完整网格

进入 交付 目录，并继续使用训练环境：

# 先跑1个cell，确认目录、下载与显存均正常
python scripts/train_grid.py \
  --repo ../CoFailMed-main \
  --data-root /data/cofailmed_raw \
  --work /data/cofailmed_run01 \
  --tasks riga_cup --encoders dinov2_vitb14

# 已验证的完成cell会跳过；继续补齐完整55个cell
python scripts/train_grid.py \
  --repo ../CoFailMed-main \
  --data-root /data/cofailmed_raw \
  --work /data/cofailmed_run01

调度器按cell顺序运行，不会自动占用所有GPU。它调用官方manifest、特征提取和cached trainer，固定论文主配方；完成记录绑定输入来源及输出文件哈希。

如果出现中断的部分cell，脚本保留现场并停止，要求先检查。它不把部分产物当作成功，也不假装支持恢复某一轮optimizer状态。确需重试时，用新的工作目录或人工归档失败cell；如果复用特征缓存，仍由官方缓存验证检查是否匹配。

只想CPU测试训练入口时可加 --device cpu --num-workers 0；这与第4节的纯统计复现不同，仍然需要原始数据和权重，也不承诺训练速度。

八、对自己训练出的结果进行审计

8.1 汇总完整主实验的220个trace

在 交付 目录执行：

python scripts/merge_traces.py \
  --cells /data/cofailmed_run01/cells \
  --out /data/cofailmed_analysis01

它检查55个完成cell、4个种子、任务与编码器身份、分数范围，以及每个任务的测试ID顺序，之后复制到：

/data/cofailmed_analysis01/per_case_dice/<task>/<fm>/seed_<S>.json

这一步是复制，不移动或改写原运行产物。只有一个cell时尚不足以得到论文的完整跨编码器统计，不要用缺失网格计算"论文主结果"。

8.2 跑 trace 版相关性与P33统计

回到 CoFailMed-main 根目录，设置好 PYTHONPATH：

export PYTHONPATH="$PWD/code/src:$PWD/code/stats:$PWD/code/scripts"

# 写within_cross/、m_eff/等；其中m_eff默认固定阈值0.85
python code/scripts/compute_all.py \
  --results-root /data/cofailmed_analysis01

# 主P33结果必须额外运行这个模块
python -m analysis.effective_size \
  --traces-root /data/cofailmed_analysis01 \
  --stats-root /data/cofailmed_analysis01 \
  --output-dir /data/cofailmed_analysis01/p33_audit \
  --bootstrap-b 2000

这里显式设置 --stats-root，因为上一条命令默认把 m_eff/ 写到results-root，而P33模块默认会到另一个 stats/ 子目录查找。照抄路径但忽略这个默认值，会出现"已经生成却找不到结果"的问题。

主输出包括 p33_audit/metrics.json、effective_size_table.md 和运行记录。训练trace版与根目录NPZ版的输入接口不同，不能把新训练的JSON直接传给 correlation.py --data-dir；后者需要发布评分包的schema。

8.3 对自己结果运行模型池选择

只有5个主任务时，要明确限制任务：

python -m analysis.pool_selection \
  --results-root /data/cofailmed_analysis01 \
  --tasks kvasir acdc_lv brats_wt riga_cup riga_disc \
  --split-count 200 \
  --output /data/cofailmed_analysis01/selection_primary.json \
  --table /data/cofailmed_analysis01/selection_primary.md

python -m analysis.pool_low_meff \
  --selection /data/cofailmed_analysis01/selection_primary.json \
  --results-root /data/cofailmed_analysis01 \
  --output /data/cofailmed_analysis01/selection_low_primary.json

该结果是5任务受限范围，不能写成7任务的910/1400复现。完整7任务还需训练ISIC-2018、MSD Hippocampus的11编码器×4头，并按 code/README.md 要求放到 per_case_dice_heldout_11fm/，再去掉 --tasks 限制。

九、从主实验扩展到论文对照与附录

9.1 所有公开扩展统计：优先直接重算

随文 --full 已覆盖公开标量结果。手动命令如下，均从仓库根目录执行：

python control_comparisons.py --analysis all --bootstrap 2000 \
  --output results/control_comparisons.csv
python correlation.py --analysis controls --bootstrap 2000 \
  --output results/control_intervals.csv

for a in mask_align per_rater kvasir_grouped medical_encoders amos heldout pixel_overlap; do
  python extensions.py --analysis "$a" --bootstrap 2000 --output "results/$a.csv"
done

for a in bundle_dice failure_metrics failure_intervals calibration item_difficulty \
  tau_sweep vit_diagnostic checkpoints unet_nine pipeline_metrics hierarchy; do
  python diagnostics.py --analysis "$a" --intervals --output "results/$a.csv"
done

主Table 2对应 primary_intervals.csv，Figure 3层级对应 correlations.csv 的 expanded17/ 行，Figure 5训练对照对应 control_intervals.csv，Figure 6对应 effective_size.csv 与 pool_selection.csv。像素重叠对应 pixel_overlap.csv，AMOS对应 amos.csv。更细的表格映射以原仓库 REPRODUCING.md 为准。

9.2 17编码器层级实验与held-out任务

额外6个编码器为 resnet34 resnet101 convnext_small convnext_base dinov2_vitl14 clip_vitb32，与主11个构成17编码器面板。它们可调用相同的manifest、特征提取和训练入口；DINOv2-L沿用相同固定hub commit。

原包的 encoder_sources.json 不包含这6项的完整来源哈希。其他新增checkpoint按论文Table B.1和实际loader获取后，需要记录实际的仓库revision和FP32状态哈希。不要为填齐配置而编造revision，也不要把当前hub下载当成原研究权重已经逐字节一致。

held-out任务为 isic2018 msd_hippocampus msd_spleen msd_heart。ISIC使用官方2594/1000训练/测试划分；MSD使用提交的volume级split JSON，不自行重抽。ISIC在本研究中按图像评估，已知患者ID存在跨划分重叠，不能描述为严格患者独立测试。

9.3 UNet-skip readout

需要另建multiscale输入清单，不能复用单尺度manifest。例如：

python code/scripts/make_input_manifest.py \
  --task riga_cup --fm dinov2_vitb14 \
  --repository facebookresearch/dinov2 \
  --revision 7764ea0f912e53c92e82eb78a2a1631e92725fc8 \
  --multiscale --out inputs/riga_cup/dinov2_vitb14_multiscale.json

for seed in 42 43 44 45; do
  python code/scripts/train_head_unet_skip.py \
    --task riga_cup --fm dinov2_vitb14 --seed "$seed" \
    --input-manifest inputs/riga_cup/dinov2_vitb14_multiscale.json \
    --out runs/unet/per_case_dice \
    --checkpoint-dir runs/unet/checkpoints/riga_cup/dinov2_vitb14 \
    --epochs 30 --batch-size 16
done

其余编码器使用对应multiscale manifest。比较时还要区分11-bundle和9-bundle汇总口径，参照 unet_nine.csv 以及论文附录G.1，不混用不同集合。

9.4 全参数微调与随机初始化

for lr in 1e-4 1e-5; do
  for seed in 42 43 44 45; do
    python code/scripts/train_adapted.py \
      --regime full_ft --encoder-lr "$lr" \
      --task riga_cup --fm dinov2_vitb14 --seed "$seed" \
      --input-manifest inputs/riga_cup/dinov2_vitb14.json \
      --epochs 30 --batch-size 16 --out "runs/ft/lr$lr"
  done
done

这是一个编码器示例；论文对RIGA Cup和Kvasir使用同样11个主编码器，两个encoder学习率，头学习率仍为1e-3。官方split Kvasir应使用 runs/ft/kvasir_official/lr<ARM>；内容分组敏感性需要显式设置 FMPOOL_KVASIR_SPLIT=grouped_v2 并另存结果。

随机初始化控制使用 --regime rand_init，仅对 convnext_tiny resnet50、acdc_lv riga_cup、seed 42～49运行，不传 --encoder-lr。它不是"11个模型全部从头训练"的对照。

图6：来自真实公开对照评分的重计算。微调使Δ变小，仍可能使跨编码器绝对相关性升高。各配方使用各自P33，因此不同配方的失败事件难度不同，不能解释成同一个固定临床阈值下的失败率比较。

9.5 nnU-Net：必须使用case-identical holdout

先安装：

python -m pip install -r code/requirements-3d-nnunet.txt
export nnUNet_raw="$PWD/nnunet/raw"
export nnUNet_preprocessed="$PWD/nnunet/preprocessed"
export nnUNet_results="$PWD/nnunet/results"
mkdir -p receipts inputs
python code/scripts/install_nnunet_seeded_trainers.py

RIGA Cup完整链路：

python code/scripts/prepare_nnunet_data.py --task riga_cup --dataset-id 501
python code/scripts/prepare_nnunet_data.py --task riga_cup --dataset-id 501 \
  --preprocess --preprocessing-evidence receipts/riga_cup.json

python code/scripts/make_nnunet_input_manifest.py --task riga_cup \
  --raw-export "$nnUNet_raw/Dataset501_RIGACup" \
  --receipt receipts/riga_cup.json \
  --canonical-split code/data/splits/riga_cup_split.json \
  --input-manifest inputs/nnunet_riga_cup.json

CASE_TASK=riga_cup RIGA_CASE_DATASET_ID=501 \
RIGA_CUP_INPUT_MANIFEST=inputs/nnunet_riga_cup.json \
RIGA_CUP_PREPROCESSING_EVIDENCE=receipts/riga_cup.json \
WORKER_ID=0 N_WORKERS=1 TRAINER_EPOCHS=100 \
bash code/scripts/run_nnunet_case_worker.sh worker

ACDC对应链路为：

python code/scripts/prepare_nnunet_data.py --task acdc_lv --dataset-id 502 \
  --split-json code/data/splits/acdc_lv_nnunet_official_split.json
python code/scripts/prepare_nnunet_data.py --task acdc_lv --dataset-id 502 \
  --preprocess --preprocessing-evidence receipts/acdc_lv.json

python code/scripts/make_nnunet_input_manifest.py --task acdc_lv \
  --raw-export "$nnUNet_raw/Dataset502_ACDCLV" \
  --receipt receipts/acdc_lv.json \
  --canonical-split code/data/splits/acdc_lv_nnunet_official_split.json \
  --input-manifest inputs/nnunet_acdc_lv.json

CASE_TASK=acdc_lv ACDC_CASE_DATASET_ID=502 \
ACDC_LV_INPUT_MANIFEST=inputs/nnunet_acdc_lv.json \
ACDC_LV_PREPROCESSING_EVIDENCE=receipts/acdc_lv.json \
WORKER_ID=0 N_WORKERS=1 TRAINER_EPOCHS=100 \
bash code/scripts/run_nnunet_case_worker.sh worker

RIGA使用2D，ACDC使用3d_fullres；每任务5 folds×seed 13/37，共10个成员。论文报告100轮case-identical配置，不是worker中另有的1000轮 companion。RIGA导出与训练统一用501，避免脚本默认551与已导出501不一致。

所有fold仍评估固定holdout，不能退回fold validation。下面对上述默认输出重算无平滑Dice并汇总：

python code/scripts/rescore_nnunet_primary_dice.py \
  --traces-dir results/nnunet/nnunet_case_riga_2d_100ep \
  --cells-dir results/nnunet/nnunet_case_riga_2d_100ep \
  --labels-dir "$nnUNet_raw/Dataset501_RIGACup/labelsTs" \
  --out-dir results/nnunet/riga_primary_traces
python code/scripts/compute_nnunet_case_identical.py \
  --input-dir results/nnunet/riga_primary_traces --trainer-epochs 100 \
  --out results/nnunet/riga_primary_summary.json

python code/scripts/rescore_nnunet_primary_dice.py \
  --traces-dir results/nnunet/nnunet_case_acdc_3d_100ep \
  --cells-dir results/nnunet/nnunet_case_acdc_3d_100ep \
  --labels-dir "$nnUNet_raw/Dataset502_ACDCLV/labelsTs" \
  --out-dir results/nnunet/acdc_primary_traces
python code/scripts/compute_nnunet_case_identical.py \
  --input-dir results/nnunet/acdc_primary_traces --trainer-epochs 100 \
  --out results/nnunet/acdc_primary_summary.json

如果设置了 NNUNET_OUT_ROOT 或 EXP_NAME，相应修改输入路径。几何尺寸、spacing、origin和direction必须一致。

相关性与平均Dice使用10个成员；有效规模只使用seed=13的5-fold池。不要拿十成员池直接对照论文报告的五成员有效规模。

9.6 医疗编码器、逐rater和AMOS

医疗编码器扩展为 retfound_vitl16 phikon rad_dino biomedparse，任务是RIGA Cup/Disc和Kvasir。按原说明复制一份代码，再用 code/medenc_overlay/encoders.py 替换副本中的encoder实现，设置 FMPOOL_MEDENC_ASSET_ROOT；权重放在 <root>/models/<fm>/，BiomedParse-v1源码放在 <root>/upstream/BiomedParse-v1。它不是可以在原主实验目录无记录地覆盖的通用升级。RAD-DINO仍需固定DINOv2 hub revision。

逐rater实验需真实RIGA的6份mask，对同一批头重新计分，入口为 python -m analysis.rater_sensitivity inference，之后运行 analyze。输出文件不允许覆盖，具体参数见 code/README.md。

AMOS是额外的native-3D比较，不是把五个主任务改成3D训练。使用独立环境 code/requirements-amos-evaluation.txt，MRSegmentator和TotalSegmentator产生真实预测；设置 COFAILMED_AMOS_EVALUATOR 指向MRSegmentator的 evaluation/。依次使用 code/stats/amos/evaluate_masks.py、finalize_organs.py、code/stats/recompute_amos.py。公开评分包已含CT/MRI各60个volume的评分，可先用 extensions.py --analysis amos --bootstrap 2000 重算统计。

这些扩展的权重与影像并未随包公开，因此公开标量重计算与新的完整训练/推理应分别记录完成状态。

十、科研图如何制作与核验？

10.1 本文提供哪些图？

• 图1：从数据、冻结特征到审计的流程示意；
• 图2：五任务相关性热图；
• 图3：绝对相关性及Δ的主95%区间；
• 图4：失败依赖与有效规模；
• 图5：校准选择后的低有效规模频率；
• 图6：Frozen/FT比较，避免只看Δ；
• 图7：错误掩码重叠统计与区间；
• 图8：来源明确的原论文空间案例图。
• 图9：17编码器checkpoint层级与点估计差距；
• 图10：readout、微调、随机初始化和nnU-Net控制。

图1～7、9～10导出300 DPI PNG与可编辑SVG；图8保持原始PNG。绘图脚本读取 results/ 与原始评分，不读取参考CSV作为绘图数据 。图2另导出数值矩阵至 results/plot_data/。全部图片来源记录在 figures/figure_sources.json。

图7：从作者公开的像素错误重叠评分重算。错误掩码为预测与GT的XOR；主统计对双方错误掩码都为空的情况记1，同时公开CSV还提供排除这种情况的conditional敏感性。ACDC的图示区间使用患者聚类版本。

10.2 原论文定性图如何使用？

图8：原样引用 CoFailMed 仓库 assets/shared_failures.png，对应论文Figure 4。RIGA Cup与BraTS FG示例比较共享DINOv2-B checkpoint的4个头与不同bundle。橙色表示FP，蓝色表示FN，深浅表示错误重复的成员数，绿色标识参考边界。此图来自原论文，不能写成"我们重新训练得到的可视化"。

原仓库代码为Apache-2.0，但图像crop、数据和模型保留各自上游条款；代码许可证不会重新授权医学图像。公开发表文章时保留作者/数据集归属，结合实际发表用途核对原仓库 data/README.md 的条款。

10.3 层级与训练控制的补充科研图

图9：三种相关性层级及同家族不同checkpoint相对跨家族的差距，展示点估计。质量过滤后的K可能小于17。这里的参考组是跨家族，不能直接与主实验Δ混为同一统计量。

图10：各任务实际运行的控制分支及95%区间，右侧列出平均Dice。缺失分支不补值；nnU-Net行比较同fold/不同fold，随机初始化行比较同backbone/不同backbone，分组与主实验不同。各分支保留的模型集合也可能不同，不能作同一模型池的因果比较。

10.4 训练后绘制自己的真实分割图

先对一个已训练cell重放预测；在 CoFailMed-main 根目录：

python code/scripts/evaluate_error_masks.py \
  --source "$PWD" \
  --cell /data/cofailmed_run01/cells/riga_cup__dinov2_vitb14 \
  --cache-root /data/cofailmed_run01/cache \
  --task riga_cup --fm dinov2_vitb14 \
  --data-root "$FMPOOL_DATA_ROOT" \
  --out /data/cofailmed_overlap01/raw/local/out

官方重放脚本核验checkpoint、cache、run identity和逐病例Dice，成功后产生 cell_receipt.json 及 seed_42.npz 等文件。传 --data-root 才能尝试保存 panel_images.npz；若receipt记录了 panel_images_error，先解决真实影像加载问题。

然后进入 交付，调用本文脚本：

python scripts/plot_segmentation.py \
  --cell-dir /data/cofailmed_overlap01/raw/local/out/riga_cup__dinov2_vitb14 \
  --out figures/my_riga_cup_dinov2b --max-cases 3

输出为真实影像、GT、4个seed的TP/FP/FN叠加图，颜色为绿/橙/蓝；没有真实预测时不会捏造示例图。该入口在本次交付中完成语法与接口检查，尚未用新的医学预测运行。

要得到跨bundle空间统计，需要对所有目标cell执行重放，再使用 analyze_pixel_overlap.py。示例：

python code/scripts/analyze_pixel_overlap.py \
  --raw /data/cofailmed_overlap01/raw \
  --traces /data/cofailmed_analysis01/per_case_dice \
  --primary-wc /data/cofailmed_analysis01/within_cross \
  --out /data/cofailmed_overlap01 \
  --tasks riga_cup riga_disc kvasir acdc_lv --suffix _run

非空 --suffix 表示只输出表格；原作者完整案例panel路径还需要BraTS和真实原图，不能用上述单cell输出冒充整套Figure 4复现。

十一、常见报错与数值对不上的原因

11.1 No module named fmpool 或 analysis

从仓库根目录设置 PYTHONPATH。Linux使用冒号分隔，PowerShell使用分号：

$env:PYTHONPATH = "$PWD\code\src;$PWD\code\stats;$PWD\code\scripts"

11.2 FMPOOL_DINOV2_REVISION must pin ...

设置完整40位commit，不要填 main。train_grid.py 自动读取主配置中的该commit。

11.3 manifest/cache/encoder哈希不一致

先检查是否更换了权重、数据、split、源码或预处理开关。manifest记录的是实际文件和状态，不是一个可以删除验证字段后忽略的形式文件。代码或数据改变时，建立新清单和新缓存目录。

原仓库说明部分split文件的发布版更改了provenance文本，ID列表未变，但整体文件哈希与原运行记录可能不同；不能据此自行修改split ID或关闭验证。

11.4 为什么运行完整网格前就提示目录存在？

官方frozen wrapper和本文调度器都保留已有产物。已完成cell可校验后跳过；部分失败cell需要先看日志，决定归档或使用新目录，避免把两次运行混成一次。

11.5 OOM或缓存太大

先判断发生在encoder提特征、头训练、RAM载入还是磁盘写入。顺序跑cell、管理缓存和限制worker通常更有帮助。主trainer对epochs/batch有配方保护；使用 --non-primary 降低batch或改轮数属于偏离主实验，需要明确标注，不能仍声称严格复现主配置。

11.6 数值小幅漂移

先排查数据ID、权重状态、预处理、精度、seed、最终轮权重、Dice空mask规则，再比较运行时。训练代码调用了 torch.use_deterministic_algorithms(..., warn_only=True)，会警告而不是强制拒绝所有非确定性操作，因此同seed不保证跨硬件逐位一致。

原仓库记载抽样CPU重放Kvasir ResNet-18与DeiT-B时949/960个Dice相同，最大差3.5e-4；这是作者的抽样训练验证，不是本文在当前机器重新训练的结果。

11.7 有效规模不等于论文值

依次检查：是否把固定0.85当成P33；是否每个模型各算阈值；是否用Dice相关性代替失败相关性；是否逐池计算后求平均；是否过滤到相同bundle；是否检查每成员至少5失败/5通过；是否将不支持池填成了0。

11.8 图像导入CSDN后不显示

本地Markdown使用相对路径便于打包。CSDN服务器不能读取本机 figures/，发布时在Markdown编辑器中上传10张PNG，再把对应图片链接替换成CSDN返回的地址。正文公式使用 $...$ / $$...$$，代码块保留语言标记；如果 [TOC] 未自动生成目录，可在编辑器中替换为其支持的目录标记。

十二、复现验收与可直接使用的结论

统计复现应满足：原始评分校验通过；官方测试通过；每组CSV与参考输出在规定浮点容差内一致；图片与CSV来源对应；未公开部分没有被补成虚构数值。本次具体运行记录见随文 本次复现验证.md 和 results/verification.json。

训练复现还应保留数据获取版本、原始文件哈希、split ID、权重状态哈希、完整环境、4个种子、全部病例评分、checkpoint和日志。固定任务上的真实新训练结果应单独与公开结果比较，不能复用评分包结果充当自己训练的输出。

可以在文章中这样概括论文发现：

在本文评估的冻结编码器与线性分割头协议下，共享checkpoint的不同头在逐病例表现及空间错误上具有较强依赖；来自不同编码器的四成员池，在任务各自pooled P33阈值下，平均有效规模约为1.56～2.92。更丰富的readout或微调可缩小same/release与cross-bundle的相关性差距，但该差距不能单独代表绝对失败依赖降低。模型池报告应同时给出分割质量、绝对相关性、阈值定义、支持条件及有效规模。

这些结论针对所观察的模型、队列、readout和阈值，不能扩大为"所有医学大模型都缺乏多样性"，也不能仅凭本研究推出新的模型集成在临床上可靠。

参考资料与引用

1. Choi E., Kim K., Lee H.-J., Kim N.-J. Different Models, Shared Failures: Auditing Frozen-Encoder Pools for Medical Segmentation. 用户提供论文，arXiv:2610.41790v1；正文第3～6节，附录B～J。
2. CoFailMed代码仓库。本文以用户提供的ZIP版本为实际依据。
3. 原仓库 README.md、REPRODUCING.md、code/README.md、data/README.md、code/configs/encoder_sources.json。

@inproceedings{choi2026cofailmed,
  title = {Different Models, Shared Failures: Auditing Frozen-Encoder Pools for Medical Segmentation},
  author = {Choi, Eunseob and Kim, Kyeonghun and Lee, Hyuk-Jae and Kim, Nam-Joon},
  booktitle = {Advances in Neural Information Processing Systems},
  year = {2026},
  note = {NeurIPS 2026 Evaluations and Datasets Track},
  url = {https://openreview.net/forum?id=sgt45cOBtI}
}