小样本医学影像AI：肺结节筛查的阶段性实验

医学影像AI落地的主要瓶颈往往不在模型，而在标注：放射科医师时间昂贵，阳性样本天然稀少。本阶段实验围绕“少量标注+大量无标注”的半监督路线展开，以肺结节CT筛查为验证场景。

我们在合作医院脱敏数据上构建了约1,200例胸部CT数据集，其中仅300例提供结节级标注，其余作为无标注数据参与训练。方法上采用自监督预训练，结合一致性正则与伪标签联合训练，并与纯监督基线对照。

要点进展：

• 仅使用25%标注量时，半监督方案的结节检出灵敏度达到全监督基线的93%，单例CT平均假阳性由4.8降至3.1；
• 消融实验显示，自监督预训练对小结节（<5mm）收益有限，主要增益来自伪标签质量控制与置信度阈值的动态调整。

下一步将引入第二家医院的跨设备数据，检验分布偏移的影响，并同步记录医师复核耗时，评估标注成本节约能否抵消训练复杂度上升。现有结论仍限于回顾性数据，前瞻性验证待伦理审批后开展。