背景
深度学习模型能够对甲状腺结节进行超声分类，但可靠的临床决策支持还需要校准概率、不确定性估计和选择性转诊，尤其是在数据集偏移的情况下。
方法
我们开发了一个校准的确定性五成员深度集成模型，用于基于ROI的甲状腺结节分类和选择性图像分流。使用TN5000进行模型开发、五折交叉验证、成员向量缩放校准和折特定阈值选择。TN3K作为独立的外部数据集偏移评估。框架采用ConvNeXt-Tiny及其压缩和激励注意机制，集成均值恶性概率和互信息（MI）作为集成不一致性得分。三层策略将图像分配到无FNA建议、FNA推荐或放射科医师审查。
结果
在TN5000的池化外折预测中，集成模型达到了AUC-ROC 0.9395，AP 0.9715，ECE 0.0088，Brier分数为0.0813。在保持50%名义MI的情况下，7.2%的案例获得了无FNA建议，39.9%获得FNA推荐，52.9%需放射科医师审查，且无FNA的阴性预测值为98.3%，恶性捕获率为99.83%。
在TN3K上，AUC-ROC降至0.7870，AP降至0.7254，ECE增至0.1899，Brier分数增至0.2281。冻结TN5000政策将83.7%分配给审查，1.0%给无FNA，15.3%给FNA推荐。无恶性图像进入无FNA路径，但FNA推荐的阳性预测值降至76.6%。
结论
该框架显示出强大的内部区分能力和校准能力，但外部阈值可传递性有限。选择性预测可能帮助识别不适合自动分流的图像，但在部署之前需进行本地再校准、阈值验证和前瞻性临床评估。
博主点评： 该研究展示了深度集成模型在医疗影像分类中的潜力，尤其是在应对数据集偏移时的选择性预测能力。然而，实际应用中需关注模型的外部有效性和临床适应性。