作者：吳曜洋，譚澤漢

一、簡要介紹

         本項目聚焦於甲狀腺結節超聲影像診斷過程中的不確定性與低準確性問題，研發了一套結合「深度學習+可解釋人工智能+影子學習機制」的創新性計算機輔助診斷系統——「影子學習器」。該平台透過「標準模型」與「影子模型」雙軌架構，實現甲狀腺結節超聲影像的自動分類、錯誤影像再學習、複合感興趣區域生成與可視化診斷輔助等功能。系統可從錯誤分類影像中二次提取關鍵特徵，如微鈣化、邊緣毛刺、低回聲區域等易被忽略的診斷線索，協助醫師進行更精準的觀察、診斷與術前決策，突破現有CAD系統「黑盒操作」與「錯誤丟棄」的雙重瓶頸。

二、作品效果示例

1. 影子學習器系統架構與雙模型機制

         本平台構建了「標準模型 + 影子模型」雙軌架構。標準模型（Model A）負責常規影像分類，並透過可解釋AI技術生成正確的感興趣區域；影子模型（Shadow Model）專注於錯誤分類影像的再學習，從失敗案例中提取補充性診斷特徵，生成額外的ROI。兩者結合形成「複合ROI」可視化輸出，以不同顏色疊加於原始超聲影像上，為醫師提供多維度、互補性的診斷參考。該機制突破傳統「單一模型+單一XAI技術」模式，實現錯誤分類影像的系統化再利用，為醫學影像診斷提供新範式。

圖 1. 影子學習器系統工作流程

2. Dense_Inception複合神經網絡設計

         依託DenseNet的密集連接機制與InceptionV3的多尺度卷積優勢，自主研發Dense_Inception複合神經網絡。DenseNet透過特徵重用強化梯度流動，InceptionV3則以非對稱卷積降低計算成本同時保持大感受野。本模型針對甲狀腺超聲影像低對比度、邊界模糊、結節形態不規則等特性進行優化，顯著提升特徵提取效率與分類準確性。實驗設計中將與VGG16、ResNet50、DenseNet、InceptionV3等主流模型進行對比驗證，分別在ImageNet預訓練與純醫學影像預訓練兩種條件下評估準確率、精確率、召回率、F1指數等指標，證明本模型在醫學影像處理任務中的優越性能。

圖 2. Dense_Inception網絡結構與密集連接機制示意圖

3. 可解釋AI雙技術交叉驗證系統

        系統內建LIME（Local Interpretable Model-agnostic Explanations）與XRAI（一種基於綜合梯度的區域歸因技術）兩種可解釋AI技術，對標準模型與影子模型的判斷結果進行可視化解釋與交叉驗證。LIME透過超級像素擾動生成ROI，具有計算成本低、邊緣清晰等優點；XRAI則結合黑白基線的綜合梯度方法，提供穩定一致的歸因結果。兩者互補使用，可有效避免單一技術解釋不穩定的問題。醫師可透過圖像中高亮顯示的ROI區域，直觀了解模型判斷依據與潛在易誤判區域，提升診斷可信度與臨床接受度。系統特別針對TI-RADS 3/4a類甲狀腺結節患者，提供良惡性鑑別輔助，幫助部分高度可能良性之患者避免不必要的侵入式穿刺活檢，具有重要臨床價值與社會意義。

圖3. LIME與XRAI生成之複合ROI可視化示例

4. 錯題集機制與模型自我迭代優化

        本項目首創「錯題集」機制，將標準模型錯誤分類的超聲影像系統化回收，形成專屬的影子訓練集。影子模型在此基礎上從零開始訓練，完全獨立於原始模型權重，確保所學知識純粹來自錯誤案例。同時，該錯題集亦可重新輸入原標準模型進行進階訓練，實現模型的自我迭代與持續優化，突破傳統深度學習模型準確率瓶頸。此機制模仿人類「從錯誤中學習」的認知規律，為醫學影像AI的閉環優化提供了全新路徑。

       本項目致力於打造一個具備「從錯誤中學習」能力的智能醫學影像輔助診斷系統，突破現有CAD系統黑盒操作與錯誤丟棄的雙重侷限，促進人工智能在臨床診斷中的可信應用與落地推廣。通過提升甲狀腺結節診斷的準確性與可解釋性，助力精準醫療與智慧醫療發展，為未來醫學影像AI與可解釋人工智能開創新的技術路徑與臨床模式。