Page 31 - 《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

弱/无变化）、钙化（无/微钙化/粗大钙化/混合钙 理结果（良性/恶性及具体分型）。所有变量根据
化）、血流信号（无/低/中/高）、皮肤/乳头回缩 缺失率进行处理，缺失率<20%的变量采用多重插
征、BI-RADS分级（1~6）等。③乳腺钼靶X线特 补法补全，缺失率≥20%的变量予以排除。连续变
征：结节密度、形态、边缘、微钙化（有/无）、 量进行标准化处理（Z-score），分类变量进行独热
微钙化分布（簇状/段状/区域性/弥漫性）、结构扭 编码（one-hot encoding）。
曲（有/无）等。 1.4 AI建模方法
病 理 学 变 量 ： 甲 状 腺 结 节 收 集 FNA结 果 本研究采用多任务深度学习框架构建跨甲
（ 状腺与乳腺结节的泛内分泌系统恶性预测模型，多
Bethesda分类Ⅰ~Ⅵ）或术后病理结果（良性/恶
性及具体分型）；乳腺结节收集粗针活检或术后病 任务深度学习模型架构如图2所示。

损失函数：L=α·L_thyroid+β·L_breast+λ·R
甲状腺结节特征输入 乳腺结节特征输入

特征嵌入层 特征嵌入层

多头自注意力机制共享表示层

甲状腺结节 知识迁移 乳腺结节
特异性层 特异性层

特征融合层 特征融合层
甲状腺结节 乳腺结节
恶性概率 恶性概率

输入/嵌入层 共享表示层 甲状腺特异性层 乳腺特异性层 输出层
图2 多任务深度学习模型架构
Fig.2 Multi-task deep learning model architecture

多任务学习框架：基于Transformer架构，设计 扰动，平衡良恶性样本比例。②迁移学习：首先在
包含共享层和器官特异性层的网络结构，具体包 单器官数据上预训练各自模型，然后在联合数据
括：①输入层：处理不同类型的特征，包括临床变 集上进行微调。③学习率调度：采用余弦退火学习
量、超声特征、钼靶特征等。②共享表示层：使用 率策略。④早停策略：基于验证集性能，设置
多头自注意力机制（multi-head self-attention）提取 patience=10。⑤超参数优化：使用贝叶斯优化方法
跨器官共性特征。③特异性层：分别针对甲状腺结 选择最优超参数组合。
节和乳腺结节的特异性特征进行建模。④融合层： 对比模型：
结合共享表示和特异性表示。⑤输出层：两个独立 ①单器官模型：分别针对甲状腺和乳腺结节
的二分类预测头，分别输出甲状腺和乳腺结节的恶 构建的独立深度学习模型。②传统机器学习模型：
性概率。 Logistic回归、随机森林、XGBoost等。③临床评
损失函数设计：采用加权多任务损失函数L = 分：基于TI-RADS和BI-RADS评分的预测结果。
α·L_thyroid + β·L_breast + λ·R，其中，L_thyroid和 1.5 模型评估与解释
L_breast分别为甲状腺和乳腺结节预测任务的交叉 性能指标：①主要指标：曲线下面积（area
熵损失，R为L2正则化项，α、β、λ为权重参数。 under the curve, AUC）及其95%置信区间（95%CI）。
模型训练策略： ②次要指标：准确率（accuracy）、灵敏度（sen-
①数据增强：对训练集进行过采样和数据 sitivity）、特异度（specificity）、精确率（precision）、

27