本期《医学影像AI辅助诊断系统》实验室把重点放在一个容易被跳过的环节：跨中心数据的可用性。不同医院的扫描协议、层厚、重建核与窗宽窗位差异，会让同一模型在院内验证集上表现稳定，换到外部数据却明显波动。我们因此搭建了一套轻量预处理与分级质控流程：先按模态（CT/MR/DR）与解剖部位自动归档，再评估层厚、噪声与对比度的一致性，质量不达标的影像不直接进入推理，而是回退到人工复核队列。
阶段性进展：
- 在三个中心约一万两千例脱敏影像上完成回顾性测试，采用统一阈值时，外部中心的假阳性率较单中心训练基线下降约三成，钙化灶与血管断面仍是主要误报来源；
- 标注一致性方面，交叉复标后的病灶勾画 IoU 中位数提升至 0.79，为后续弱监督训练提供了更干净的参考。
下一步计划是把结构化报告与随访结论接入，对病灶做时间维度的一致性比对，并将医生修改痕迹回流为弱标签，减少重复标注成本；同时把推理耗时压到阅片工作流可接受的范围，优先保证召回率不因提速而下降。
评论