基于双系统注意力机制APSNet的甲状腺结节超声诊断：消除主观掩膜差异与提升分类准确性的创新网络

这篇研究提出了一种新型双系统网络架构APSNet（Active-Passive System Network），通过整合多尺度注意力机制（MSA）和通道注意力，有效解决了甲状腺超声诊断中因人工掩膜（manual masks）导致的主观偏差问题。模型在TDID和TN3K数据集上表现出色（Acc>0.92，AUC>0.92），并通过Friedman和DeLong检验验证了其统计学显著性，为临床提供了一种减少人工依赖的客观诊断工具。

　　

Highlight

本研究开发了创新性双系统网络APSNet，通过模拟声纳系统的主动-被动机制，整合通道注意力（channel-wise attention）和多尺度注意力（MSA），显著提升了甲状腺结节超声图像分类的客观性。实验证明，即使采用其他模型推断的掩膜（mask）进行训练，APSNet仍能保持与人工标注（GroundTruth）相当的分类性能（P_value>0.01），大幅降低临床标注成本。

Data preprocessing

本地数据集来自广西科技大学第二附属医院的4,323张甲状腺超声图像（2,223例良性，2,100例可疑恶性），经匿名化处理后，采用直方图均衡化和高斯滤波消除噪声，并通过旋转/翻转进行数据增强。外部验证集TDID和TN3K采用相同预处理流程以确保一致性。

Mask sources

针对临床掩膜标注的主观差异问题，APSNet创新性地采用7种不同语义分割模型（如性能最优的OCRNet）生成多质量掩膜进行训练。结果表明，模型对掩膜精度具有强鲁棒性——使用推断掩膜训练的APSNet与人工标注训练的模型性能无显著差异（AUC波动<1.5%），这为减少临床人工标注负担提供了实证支持。

Discussion

APSNet的双系统设计（主动特征激发+被动权重存储）与MSA机制协同作用，使模型能自适应融合结节局部特征（如边缘、钙化）和全局特征（甲状腺位置、周围回声）。在TDID和TN3K数据集上，其Acc（0.9259/0.9287）和F1分数（0.9540/0.9001）均超越现有模型，且DeLong检验证实改进具有统计学意义（P_value<0.05）。

Conclusion

APSNet通过创新性架构设计，实现了甲状腺结节诊断中主观掩膜依赖性的突破，其双系统交互机制和MSA模块为医学图像分析提供了新范式。未来可扩展至其他器官病变的自动化诊断，推动AI在临床实践中的落地应用。