在医学影像AI辅助诊断系统中，分割结果的可信度往往不取决于整体Dice，而取决于病灶边界那几毫米。本期实验室把重点放在“边界可复核”这一实验性环节，而非继续堆叠整体精度。
做法是把模型不确定度显式暴露出来：对同一病例做多尺度推理与轻量级集成，统计体素级方差，将高方差体素聚合成1~2条边界带，随分割结果一并推送给医生。医生不必逐层修改轮廓，只需对边界带做确认或微调，确认结果回流为增量训练样本。
要点一（进展）：在内部约1200例、三家医院来源的CT数据上，标注者间一致性Dice为0.86~0.91，说明“金标准”本身存在区间；引入边界带提示后，边界区域Dice平均提升约2.4个百分点，单例复核耗时下降约15%。
要点二（下一步）：接入MR与超声模态，验证不确定度阈值在不同设备与重建参数下的稳定性，并评估该机制对低年资医生的辅助增益。以上为实验阶段结果，不构成临床诊断结论。
评论