甲状腺细胞学AI假阴性率降至0%，外部验证宏F1仍达0.70！
TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation
📖 AI 总结
本文提出TAM-Chain框架，用于甲状腺细针穿刺细胞学（Bethesda系统）的多尺度分类，旨在解决深度学习在临床应用中假阴性率高和域偏移下过度自信的问题。方法上，该框架将10x、20x、40x多倍率特征提取建模为吸收马尔可夫链过程，结合香农熵不确定性量化，实现最优停止判据与人工介入转诊机制，以严格抑制关键诊断错误。在内部测试集（N=235）上，模型取得0.9741的Macro F1分数，假阴性率绝对值为0.00%；在存在严重域偏移的独立外部验证集（N=1015）上，仍保持较好稳定性与分类性能（Macro F1=0.7026），显著优于单倍率基线。该研究的意义在于为数字病理工作流提供了一种兼顾自动化诊断效率与生物安全性的安全、可适应方案。
🔑 关键词速览
| 吸收马尔可夫链 | 一种随机过程模型，其中某些状态一旦进入就无法离开，用于建模具有终止条件的过程。 |
| 香农熵不确定性量化 | 利用香农熵度量模型预测的不确定性，熵值越高表示不确定性越大。 |
| 域偏移 | 训练数据和测试数据分布不一致的现象，导致模型性能下降。 |
| 假阴性率 | 实际为正类的样本被错误预测为负类的比例，在医学诊断中至关重要。 |
| Bethesda系统 | 甲状腺细胞学报告的标准分类系统，用于标准化诊断和风险分层。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅