在肺结节随访中，真正的难点往往不在单次检出，而在两次CT之间的一致性：层厚、呼吸相位、体位与重建核的差异，会让同一病灶的体积测量漂移超过20%，直接影响倍增时间与随访间隔的判断。
医疗AI实验室当前的实验路径是把「配准」放在「测量」之前。流程分三步：先对两次扫描做刚性对齐，再用可变形配准网络将随访影像映射到基线坐标系；随后在结节表面提取对应点对，计算配准前后体积差异，并让一个轻量回归头预测本次测量的不确定度；当不确定度超过阈值时，系统不给出趋势结论，只提示需要医生复核或建议复查方案。
要点：
- 进展：在内部回顾性配对队列（约1200例）上，配准失败率由8.7%降至2.3%，体积测量重复性误差中位数从约18%压缩到7%上下；对≤6mm的小结节，误差下降更明显。
- 下一步：引入呼吸相位归一化与低剂量噪声建模，并在多中心数据上验证阈值的稳定性，避免把设备差异误判为病灶生长。
需要强调的是，该模块目前只作为阅片辅助提示，不输出独立诊断结论；评估指标也以「减少无意义的复查」和「不漏掉真实增长」为核心，而非单纯的Dice分数。
评论