В исследовании представлен инновационный метод классификации узлов щитовидной железы, основанный на архитектуре мультиэкспертного консенсусного слияния с использованием априорных знаний (prior-guided multi-expert consensus fusion). Авторы разработали модель, которая способна эффективно объединять результаты различных экспертных нейросетевых модулей для повышения точности диагностики в условиях многоцентровых данных. Основная методология заключается в интеграции медицинских априорных знаний в процесс обучения, что позволяет минимизировать ошибки, возникающие из-за вариативности оборудования и протоколов в разных медицинских центрах. Исследование демонстрирует значительное улучшение показателей точности и устойчивости модели при работе с гетерогенными наборами данных. Данная разработка имеет высокую практическую значимость для радиологии и эндокринологии, предлагая инструмент для автоматизированного и стандартизированного скрининга патологий щитовидной железы. Внедрение такого подхода позволит снизить нагрузку на врачей и уменьшить субъективность при интерпретации ультразвуковых или КТ-изображений.