Page 28 - 《中国医疗器械杂志》2026年第1期

Chinese Journal of Medical Instrumentation 2026年 第50卷 第1期

医 学 人 工 智 能

文章编号：1671-7104(2026)01-0024-11

基于深度学习的跨甲状腺与乳腺结节泛内分泌系统

恶性风险预测模型研究

1
1
4
5
2
3
【作 者】 王宏 ，耿中利 ，马震 ，顾晶亮 ，刘潇 ，惠婷 ，张锐 6
1 新疆医科大学第四附属医院 甲乳外科，乌鲁木齐市，830002
2 马来西亚泰莱大学医学科学院，马来西亚雪兰莪州，40160
3 上海市中医医院，上海市，200071
4 新疆维吾尔自治区科技资源共享服务中心，乌鲁木齐市，830011
5 新疆医科大学第五附属医院，乌鲁木齐市，830011
6 新疆医科大学第六附属医院，乌鲁木齐市，830011
【摘 要】 目的 构建基于多任务深度学习的跨器官AI模型，实现甲状腺与乳腺结节恶性风险统一预测。方法 收集三家
医院甲状腺结节（n=2 386）和乳腺结节（n=2 753）患者临床数据。基于Transformer架构构建多任务深
度学习模型，采用特征共享层与器官特异性层结合的设计。通过五折交叉验证评估性能，在独立外部
验证集（n=835）测试，采用SHAP分析解释模型决策。结果 构建的泛内分泌结节AI模型的甲状腺结节
预测达到AUC 0.932（95%CI: 0.914~0.951），灵敏度86.5%，特异度89.2%；乳腺结节预测AUC 0.917
（ 95%CI: 0.896~0.938），灵敏度84.3%，特异度88.7%。与单器官模型相比，泛模型在小样本数据集表现
更优（P<0.01），外部验证保持稳定（AUC>0.90）。SHAP分析显示边缘不规则性、钙化类型、内部回声
为两类结节的共同重要特征，血流信号和TI-RADS/BI-RADS分级为器官特异性特征。结论 成功构建高性能
甲状腺－乳腺结节跨器官恶性风险预测模型，证实泛内分泌结节可通过统一深度学习架构实现精准风险分
层，为内分泌肿瘤AI辅助诊断提供新范式。
【关 键 词】 甲状腺结节；乳腺结节；人工智能；深度学习；多任务学习；恶性风险预测；跨器官模型；计算机辅助诊断
【中图分类号】 R318; R73
【文献标志码】 A doi: 10.12455/j.issn.1671-7104.250417
Research on a Deep Learning-Based Model for Predicting Malignancy
Risk of Pan-Endocrine System across Thyroid and Breast Nodules
2
1
1
5
4
3
【 Authors 】 WANG Hong , GENG Zhongli , MA Zhen , GU Jingliang , LIU Xiao , HUI Ting , ZHANG Rui 6
1 Department of Thyroid and Breast Surgery, The Fourth Affiliated Hospital of Xinjiang Medical University,
Urumqi, 830002
2 Faculty of Medical Sciences, Taylor's University, Selangor, Malaysia, 40160
3 Shanghai Hospital of Traditional Chinese Medicine, Shanghai, 200071
4 Xinjiang Uygur Autonomous Region Science and Technology Resources Sharing Service Center,
Urumqi, 830011
5 The Fifth Affiliated Hospital of Xinjiang Medical University, Urumqi, 830011
6 The Sixth Affiliated Hospital of Xinjiang Medical University, Urumqi, 830011
【 Abstract 】 Objective To construct a cross-organ AI model based on multi-task deep learning (DL) to achieve unified
prediction of malignancy risks of thyroid and breast nodules. Methods Clinical data of patients with thyroid
nodules (n=2 386) and breast nodules (n=2 753) from three hospitals were collected. A multi-task deep
learning model was constructed based on the Transformer architecture, and a design that combines
feature sharing layers with organ-specific layers was adopted. Performance was evaluated through five-

收稿日期：2025-06-17
基金项目：新疆维吾尔自治区自然科学基金（2022D01C175）
作者简介：王宏，E-mail: wanghong276276@163.com
通信作者：耿中利，E-mail: gengzhongli0305@126.com

24