甲状腺超声：一套可审计的"智能体"AI 在 35 家中心接受检验，以及摘要没有说出的三个数字

十四位作者，主要来自中山大学与广州珠江医院，提出了 ThyroidXAgent：一套"智能体"（agentic）系统，串联甲状腺结节分割、良恶性分类与超声报告撰写，并将每一步中间输出保留为临床医生可查看、可修改的证据。在七个测试集上，分割的平均 Dice 达到 87.21%；在来自 35 家独立中国中心的 4999 例上，良恶性分类的 AUROC 为 0.819［0.808–0.831］。然而有三样东西缺席：论文自始至终没有写明其分类测试集的良恶性是如何确定的；其摘要中给出的平均 AUROC——0.9466——无法从它自己的补充表格中还原；而在一项关于甲状腺癌检出的工作中，"过度诊断"一词一次也没有出现。

背景

甲状腺结节是医学影像中最常见的发现之一：根据不同研究系列，颈部超声可在 20% 至 70% 的成年人中发现结节，而其中绝大多数永远不会成为疾病。因此放射科医生的工作与其说是找出结节，不如说是判断哪些结节需要做细针穿刺活检。这一判断依赖标准化评分体系——TI-RADS 及其各种版本——综合结节的成分、回声、形态、边缘以及是否存在点状强回声灶。这一链条已知的薄弱环节是变异性：两位操作者面对同一幅图像未必给出相同评分，而最终报告往往是自由文本，不同医生的表述差异很大。

这一背景还有第二面，论文没有提及，而必须先摆在台面上。甲状腺是肿瘤学中过度诊断的教科书案例：在韩国，受超声筛查推动，甲状腺癌的报告发病率从上世纪九十年代初到 2011 年增长了约十五倍，而该癌症的死亡率纹丝未动——这是 Ahn、Kim 与 Welch 于 2014 年发表在《新英格兰医学杂志》上的结论。换言之，在这一特定疾病上，提高检出灵敏度并不自动等于进步。这正是本文最明显缺失的解读框架。

在 AI 方面，此前的状态是碎片化的：一个模型负责分割，另一个负责分类，各自给出孤立而不透明的结论。2026 年的思路是"智能体化"：由一个语言模型充当指挥，调用各专用工具，并且——这是本工作的核心主张——把这些工具的输出保存在一份可查阅、可修改的证据档案中。

方法

作者首先构建了 OpenThyroidDB，汇集约 30 万幅超声图像与 2.4 万份配对报告。用于分割与分类的子集包含 38864 幅图像，来自七个队列、分布于中国、越南与哥伦比亚的六家临床中心，以及至少八种不同的超声设备平台。其中三个队列仅用作外部测试：DDTI（哥伦比亚波哥大）、RJH-7K（上海瑞金医院）与 ZJH-8K（广州珠江医院）。此外还有一个私有队列 NHC-MISD-TUS，来自中国国家卫生健康委员会医学影像标准数据库：腺体分割 8721 例（35 家中心），结节分割 6384 例（33 家中心），分类 4999 例。

专家池。系统并非训练单一模型，而是训练一族专用模型，每个都建立在共同的 DINOv3 主干之上——一种通过自监督（即不使用人工标注）训练的图像编码器——再配上任务专用的轻量头部。这些专家在输入分辨率（128、224 或 448 像素）、训练数据组成，以及是否加载 DINOv3 预训练权重上各有不同。分割部分由 U-Net 式解码器重建结节掩膜。

路由器与证据层。这是"智能体"部件。一个语言模型接收的不是图像，而是结构化摘要——候选掩膜、类别概率、置信度、影像组学描述子、采集元数据——随后输出一个严格 JSON 格式的决策：选用哪一个专家，或对其中一个子集施加何种加权。基于选定的掩膜，影像组学分支通过 PyRadiomics 提取形状、纹理与强度描述子，再送入 AutoGluon 表格集成模型，其决策由 SHAP 解释，该方法为每个描述子赋予其对最终评分的量化贡献。若临床医生修改了掩膜，这些归因会在修正后的掩膜上重新计算：这正是标题所主张的闭环。

报告生成。一个规划器语言模型产生任务图，一个 ReAct 式执行器通过 MCP 服务器调用工具，随后文本以模板检索方式组装：BM25 从 7147 份质控报告构成的模板库中选取句式模板，再将测得数值填入预设槽位。一个很重要却很少被强调的细节：这里完全没有自由解码。报告不是由大语言模型"写"出来的，而是被填出来的——这在很大程度上解释了结果中为何没有幻觉。

此处必须提出一项方法上的保留：路由器、规划器，以及用于验证新指标的"评判者"，全都从未被命名，也未给出规模。我们无从知晓是哪个语言模型在驱动该系统的智能体部分。

结果

分割。在七个测试集上，平均 Dice——预测掩膜与参考掩膜的重叠比例，100% 表示完全重合——达到 87.21%，最强基线 MedSAM2 为 85.66%，基础模型 UltraFedFM 为 79.66%。衡量最严重轮廓误差的第 95 百分位豪斯多夫距离为 6.90 毫米，在全部七个测试集上均为最低。

良恶性分类。摘要称在五个测试集上取得平均 AUROC 0.9466。而补充表格 S4 给出的五个数值是：0.8692（TN3K）、0.9676（ThyroidXL）、0.9472（TN5K）、0.7991（DDTI）与 0.9175（ZJH-8K）。其算术平均为 0.9001，而非 0.9466——且任何按样本量加权的方式都无法还原所公布的数字，那需要 DDTI 的 AUROC 超过 1。AUPRC 上的偏差方向相反：摘要称 0.8361，表格给出 0.8705。相比之下，分割的各项均值完全对得上，这排除了单纯的四舍五入约定。我们指出这一差异，但无法解释；读者可在预印本的补充材料中逐行核对。

多中心外部验证是本文信息量最大的结果，也是最不体面的结果。在 NHC-MISD-TUS 的 35 家中心上，结节分割尚可（Dice 82.31%），但甲状腺腺体分割跌至 59.28%——该任务上系统仅在 35 家中心中的 17 家领先，在其中数家中心的低值介于 3% 至 37% 之间。良恶性分类降至 AUROC 0.819［0.808–0.831］，比内部测试集低八到十五个百分点。按中心计，AUROC 从 0.407 到 1.000 不等；最大的中心（n = 269）为 0.590，置信区间从 0.346 到 0.832。

次要任务与临床医生研究。淋巴结转移预测：158 幅图像上 AUROC 0.8642，高于 MedGemma（0.8403）与 GPT-5（0.8410），但置信区间大幅重叠，且未做任何显著性检验。滤泡状癌与乳头状癌的鉴别：200 幅图像上 AUROC 0.8053，其中 GPT-5 仅为 0.1604，即明显差于随机——作者原样公布了这一结果，没有加以修饰。在 500 幅图像的盲法比较中，两位临床医生分别在有无系统辅助的条件下阅片：第一位准确率从 79.2% 升至 84.6%，第二位从 74.0% 升至 84.8%，后者灵敏度从 71.6% 升至 85.6%，特异度从 76.4% 升至 84.0%。辅助将分割的每幅图像平均耗时从 14.21 秒降至 9.11 秒（−35.9%），辅助 Dice 为 0.903、手工为 0.879；在 145 段视频上，报告撰写的每例平均耗时从 2.5 分钟降至 1.8 分钟（−27.4%）。

临床换算。论文没有公布模型本身的决策阈值、灵敏度或特异度，只有 AUROC。因此无法将系统性能换算为假阳性与假阴性，这本身就是一处缺口。不过第二位临床医生的数字是可以换算的。在这 500 幅图像的测试集上（由其数据可推出恶性率接近 50%），每 1000 个结节，他原本漏诊 142 例癌症、误报 118 个良性结节；在系统辅助下，漏诊 72 例、假阳性 80 例。但若把同样的灵敏度与特异度放到真实门诊人群中——那里恶性结节比例更接近 10%——1000 个结节将得到 86 例检出、14 例漏诊，以及 144 例假阳性，即阳性预测值约为 37%。这一计算是我们自己的外推，并非论文结果，而它恰好说明了问题所在：在癌症富集队列上取得的高 AUROC，完全说明不了实践中会产生多少不必要的穿刺。

做得好的地方

证据层不是装饰，它被量化了。许多工作只是在流程末端挂一个 Grad-CAM 就宣称具备可解释性。这里，临床医生对掩膜的修改会触发 SHAP 归因的重新计算，而这一修改的成本是有数字的：9.11 秒对手工分割的 14.21 秒，且 Dice 不降反升（0.903 对 0.879）。报告由模板组装而非自由解码，是一个保守的工程决策；对于一份具有法律效力的医疗文书而言，这一选择站得住脚。

外部验证按中心逐一公布。这很少见，也是作者的可贵之处：补充表格分别给出了 35 家中心的表现，包括系统在腺体分割上只有 3% Dice 的那些中心。主流做法是只公布汇总均值，而在这里那将掩盖相当大的异质性。正是这种颗粒度使这项工作可被批评——因而也有用。

对照方法数量多且是当下的。分割方面有 MedSAM2、MedSegX、UltraFedFM、TransUNet；分类与报告方面有 MedGemma、Qwen3-VL-8B、GPT-5、Gemini-2.5-Pro、BiomedCLIP、MedSigLIP。作者原样公布了对竞争方法不利的结果，也公布了荒谬的结果——GPT-5 在滤泡状与乳头状鉴别上 AUROC 仅 0.1604——没有加以平滑。

做得不够好的地方

主要终点的参考标准始终没有说明。这是核心弱点。论文中明确声称有组织病理学确认的地方恰好只有两处：ZJH-8K 队列的子标签（淋巴结状态、经典乳头状癌与滤泡亚型），以及 LymphUs 淋巴结队列的细针穿刺确认。而对于五个良恶性分类测试集中的任何一个——TN3K、TN5K、ThyroidXL、DDTI 以及作为整体的 ZJH-8K——乃至 35 家中心的私有队列，正文都没有说明标签来自手术、细胞学还是影像判读。任何数据集都未给出组织学确诊结节的比例。更严重的是，阅片研究的金标准明确来自标注："凡含有恶性标注的病例即被归为恶性或可疑"。换言之，该终点衡量的可能是模型与标注放射科医生之间的一致性，而非与疾病之间的一致性——这是一种人为版本的捷径学习，模型学到的目标并非人们以为的那个。

所选指标偏向系统，而外部对照是空的。三重机制叠加。其一，作为外部测试呈现的 ZJH-8K 队列，1149 例中有 723 例恶性，即恶性率 62.9%——这是外科系列的构成，与筛查人群恰恰相反；在这样的队列上，AUROC 在结构上就是乐观的。其二，在 35 家中心的私有测试集上，唯一的对照是零样本模型——BiomedCLIP 与 MedSigLIP，它们从未见过带标注的甲状腺，成绩为 0.43–0.52，即随机水平。拿 0.819 去比 0.44 说明不了任何问题：没有任何用同样数据训练过的监督分类器被拿来对照。其三，论文未报告任何校准——"校准"一词只在局限性一节出现，作为系统所依赖的性质——未设定任何阈值，未与 TI-RADS 做任何比较，也未给出任何临床决策曲线。在一种全部问题都归结为"这个结节要不要穿刺"的疾病上，这恰恰是缺失的那项测量。

过度诊断缺席，临床医生只有两位，代码"开源"是有条件的。过度诊断、微小癌、惰性与主动监测这些词在论文正文及其参考文献中一次也没有出现：目标函数始终是检出，从来不是避免不必要的操作——而在甲状腺上把阅片者的灵敏度从 71.6% 提高到 85.6%，恰恰正是韩国流行病学已经揭示其局限的那类干预。阅片研究依赖的是两位既未说明资历也未说明专业的临床医生，没有 p 值也没有置信区间；报告撰写研究是读者之间的交叉而非读者自身内部的交叉，因此在只有两位操作者的情况下，所检验的条件与阅片者身份完全混杂，而摘要着重强调的一致性数字 70.3% → 86.2% 也只出现在摘要里，没有表格，也没有统计检验。数据最后几乎全部来自中国——这是直接的人群偏倚。至于宣称"公开可得"的代码：两个 Hugging Face 仓库实际上都是需要人工审批的受限访问，三个仓库（GitHub、权重、数据）均未声明许可证，网站承诺"录用后"上线，而 35 家中心的私有队列根本没有任何获取途径。

带来的改变

对研究界而言，真正的贡献不是分数，而是架构范式：一个基于结构化信号在多个专家之间做仲裁的路由器，以及一层可由临床医生修改并触发下游重算的持久证据。最扎实的启示其实是内部与外部之间的落差——分类 0.90 对 0.819，腺体分割 87% 对 59%——它是在 35 家真实中心上测得，并按中心逐一公布的。相比汇总均值，正是这类表格才应当成为医学影像领域的发表规范。

对临床医生而言，今天什么也没有改变：评估是回顾性的，作者自己也这样说，而且没有公布任何可操作的阈值。最能直接使用的结果恰恰是最不起眼的那个：辅助修改一条轮廓耗时 9 秒而非 14 秒，且质量不下降；由模板组装的结构化报告每例节省约四十秒。已被证明的收益是时间与表述一致性的收益，而不是诊断上的收益。

对患者与公众而言，需要谨慎的是这里"检出得更好"到底意味着什么。在甲状腺上，比在几乎任何其他部位都更是如此：一个提高了灵敏度、却不知道在真实患病率下会产生多少假阳性的系统，可能带来更多穿刺、更多甲状腺切除与更多终身激素替代治疗，而一条生命也未被挽救。这并非对本文的指控：这是应当向任何此类工具提出的问题，而这恰恰是本文没有提出的问题。

延伸阅读

预印本可在 arXiv (2608.12590) 获取，于 2026 年 8 月 12 日提交，采用 CC BY-NC-ND 4.0 许可；其十七个补充表格包含了大部分可供批判的材料。代码公布于 GitHub，权重与数据集位于 Hugging Face（MedXAgent/ThyroidXAgent 与 MedXAgent/ThyroidOpenDB），两个仓库均需人工审批方可访问，且均未声明许可证。该研究经珠江医院伦理委员会批准（批件号 2026-KY-081-01），由中国国家自然科学基金（62322608）资助。关于甲状腺过度诊断，值得一读的参考文献仍是 Ahn、Kim 与 Welch 于 2014 年发表在《新英格兰医学杂志》上的那篇文章。