在医学影像AI辅助诊断系统的实验中，我们发现模型在同一家医院内部验证时表现稳定，但换用不同厂商、不同重建算法的CT设备后，肺结节检出的敏感度会出现明显回落。这类域偏移并非数据量不足所致，而是成像参数、层厚与重建核差异改变了病灶的纹理分布。
进展：本阶段以「域随机化＋置信度输出」为主线，训练时对层厚、重建核与噪声水平做参数化增广，推理端输出每个病灶的可信度分数而非单一结论，并按分数分层进入医生复核队列。
数据：在三个来源、共约1.2万例胸部CT的回顾性测试中，跨设备场景的检出敏感度由0.79提升至0.87，假阳性率基本持平；置信度分层后，低分段病灶中约七成经医生确认需复核，复核工作量预计下降约三成。
下一步：与放射科共同设计前瞻性读片对照，重点观察高置信度漏诊与低置信度冗余两类失败模式，并将不确定性与结构化报告字段打通，让AI结论以「待确认项」形式进入报告草稿，而非直接写入诊断结论。
评论