TAM-Chain 框架提出吸收马尔可夫链方法，旨在抑制甲状腺细胞学误诊

一句话结论

新框架 TAM-Chain 通过多尺度分析与不确定性量化，将内部测试集假阴性率降至 0，并在外部域偏移场景保持较高稳定性。

关键要点

• 基于吸收马尔可夫链与香农熵不确定性量化，支持 10x、20x、40x 多尺度甲状腺细胞学图像分类。
• 内部测试集（N=235）Macro F1 达 0.9741，假阴性率（FNR）为 0.00%。
• 外部独立验证集（N=1015，存在严重域偏移）Macro F1 为 0.7026，性能优于单倍率基线。
• 动态调整期望停止步数，并引入人工专家转诊机制，以抑制关键诊断错误。
• 将多倍率特征提取建模为吸收随机过程，实现最优停止准则与人机协同转诊。

背景与事实

甲状腺细针穿刺活检细胞学（FNAB）基于贝塞思达系统，在早期甲状腺癌检测中起关键作用。但现有深度学习方法面临两大核心挑战：假阴性率较高，以及在临床域偏移条件下模型过自信。针对上述问题，研究者提出了 TAM-Chain 框架。

该框架采用多尺度（10x、20x、40x）甲状腺细胞学分类方案，结合吸收马尔可夫链理论与基于香农熵的不确定性量化方法。框架将多倍率特征提取的动态过程建模为吸收随机过程，从而建立最优停止准则，并嵌入人工专家转诊机制，以严格抑制关键诊断错误。

在评估方面，研究在内部测试集（N=235）上取得 Macro F1 分数 0.9741，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，TAM-Chain 通过自适应调整期望停止步数并触发专家转诊，维持了分类性能稳定性，Macro F1 为 0.7026，显著优于单倍率基线模型。研究结论表明，该框架在数字病理工作流程中兼具高效性与安全性，能够在自动化诊断效率与生物安全严格性之间实现协调。

影响分析

对于病理诊断领域的从业者，该框架提供了量化不确定性与动态停止决策的方法论参考。外部验证集上 0.7026 的 Macro F1 表现说明，在域偏移场景下依赖多尺度动态过程而非单一模型输出，有助于维持诊断一致性（此为分析判断）。对中文开发者而言，吸收马尔可夫链与香农熵的组合应用为医学影像分类中的风险控制提供了可复现的技术路径，尤其是人机协同转诊机制的设计，可直接迁移至其他高风险误诊场景（此为分析判断）。

适用边界

上述结论的成立依赖于 10x、20x、40x 多倍率图像输入及域偏移场景的验证条件。在单倍率输入、域内一致性测试或假阴性容忍度较高的场景下，该框架相对单倍率基线的优势可能不显著，其 0.00% 假阴性率亦为内部测试集结果，未必适用于所有外部临床场景。

孤本观察

将多尺度特征提取映射为吸收随机过程并据此设定停止准则，是本文在方法架构上的核心创新点（此为判断）。

来源：arXiv cs.LG