超声甲状腺结节AI辅助分级：小样本场景阶段验证

团队近期围绕基层医院超声甲状腺结节的AI辅助分级开展实验性探索，重点解决标注数据稀缺与良恶性边界模糊两类问题。技术路线上采用自监督预训练加少量标注微调：先在公开超声数据上学习通用影像表征，再迁移至院内约两千例标注样本，降低对大规模标注的依赖。
阶段性结果：
· 内部测试集上，结节良恶性分类敏感度约91%、特异度约86%，与中级超声医师读片结果的一致性Kappa值为0.74；
· 引入不确定性估计后，约12%的低置信案例自动转交人工复核，剩余误报集中于囊实性混合结节。
下一步计划：联合两家协作医院开展回顾性多中心验证，重点评估不同设备厂商影像间的泛化表现；同时探索报告结构化生成，将分级结论与超声描述模板对齐，减少医生二次录入负担。需要说明的是，当前结果均来自回顾性数据，尚未进入前瞻性临床流程，后续将按医疗AI软件相关规范推进数据治理与验证设计，避免过度解读现阶段指标。