在医学影像AI辅助诊断系统的实验中，我们把重点放在一个常被忽略的环节：模型在单一中心验证集上表现稳定，进入多中心场景后却出现明显性能回落。本期以胸部CT肺结节辅助检出为切口，观察域漂移的成因与可控边界。
初步结论是，漂移主要来自三处：扫描协议与重建核差异、层厚与噪声分布差异，以及不同机构的报告口径差异。前两者影响像素级特征分布，后者影响标签一致性。我们没有直接做端到端重训，而是先用灰度直方图与噪声谱做分布对齐，再以少量目标域标注样本校准分类阈值，使假阳性率在不牺牲敏感度的前提下收敛。
要点：
- 进展：在三个外部中心的小样本回顾性集合上，敏感度相对基线变化在正负2个百分点内，每例假阳性由约4.1处降至2.6处；
- 下一步：扩充到多设备、多协议的前瞻性队列，验证阈值校准策略在不同病种上的迁移性，并补充可解释性输出以便医师复核。
需要说明的是，当前结果仅来自回顾性数据，样本量与标注质量仍有局限，距离临床常规使用还有明显距离。
评论