基于局部注意力与多尺度特征提取的人机协同甲状腺结节风险评估模型：一项多中心临床研究

来自中国多中心的研究团队开发了一种结合局部注意力机制与多尺度特征提取的人机协同甲状腺结节风险评估模型。该研究通过6家医院的超声影像数据集（训练集8397张/8063例，验证集253张/245例）验证显示，模型对结节成分、回声、边缘等特征的识别准确率达0.966-0.861，诊断良恶性的AUROC为0.882，显著优于初级医师（0.789，P<0.0001），辅助策略更将初级医师灵敏度提升至80%（P<0.05），为临床决策提供智能化支持。

　　

这项跨医院临床研究构建了一个创新的人机协作系统，专门用于甲状腺结节的风险评估。科研人员巧妙地将局部注意力机制(local attention)与多尺度特征提取(multi-scale feature extraction)技术相结合，就像给计算机装上了"显微放大镜"和"广角镜"的双重镜头，使其能同时捕捉结节图像的细节特征和整体表现。

研究团队收集了来自中国六家医院的超声影像大数据，用8,397张来自8,063名患者的图像训练模型，并在245名患者的253张图像上进行多中心验证。这个智能系统展现出令人惊喜的能力：对结节成分(composition)、回声特性(echogenicity)、边缘(margin)等关键特征的识别准确率最高达到96.6%。在判断结节良恶性时，模型的AUROC_{(曲线下面积)}达到0.882，轻松超越初级放射科医生(0.789，P<0.0001)，与中级(0.837)和资深医师(0.892)旗鼓相当(P>0.05)。

更有趣的是，当采用人机协作策略——让医生参考模型建议调整诊断时，初级医师的诊断水平突飞猛进：AUROC从0.789跃升至0.859(P<0.0001)，灵敏度(sensitivity)也从66.11%提升到80.00%(P<0.05)，就像新手司机获得了智能导航系统。这项研究为甲状腺癌的早期筛查提供了精准高效的辅助工具，特别有助于提升基层医疗机构的诊断水平。