Video Experimental Relacionado
Updated: Sep 9, 2025
04:23
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
2.0K
Mejora de la precisión del diagnóstico para nódulos tiroideos de la categoría C-TIRADS: un modelo híbrido de
Daoyuan Zou1,2, Fei Lyu3, Yiqi Pan1,4
1Department of Radiology, Nanjing Drum Tower Hospital Clinical College of Nanjing Medical University, Nanjing, China.
Quantitative imaging in medicine and surgery
|September 2, 2025
Resumen
Un modelo de inteligencia artificial, C-TNet, diferencia efectivamente los nódulos tiroideos benignos de los malignos utilizando datos de ultrasonido. Esta herramienta de IA muestra un rendimiento comparable al de los médicos expertos, ayudando en el diagnóstico preciso del cáncer de tiroides.
Área de la Ciencia:
- Imágenes médicas
- La inteligencia artificial en la medicina
- En el campo de la oncología
Sus antecedentes:
- El diagnóstico preciso del cáncer de tiroides es crucial para el cuidado del paciente.
- La inteligencia artificial (IA) ofrece el potencial para mejorar la precisión del diagnóstico.
- La estratificación del riesgo de nódulos tiroideos se basa en directrices como C-TIRADS.
Objetivo del estudio:
- Desarrollar y validar un modelo de IA, C-TNet, para diferenciar los nódulos tiroideos benignos y malignos.
- Evaluar el rendimiento de C-TNet en nódulos de la categoría 4 de C-TIRADS utilizando imágenes de ultrasonido y elasticidad.
- Comparar la capacidad de diagnóstico de C-TNet con expertos humanos y otro modelo de IA (BMNet).
Principales métodos:
- Se analizó una cohorte de 3 545 pacientes con nódulos tiroideos de categoría C-TIRADS.
- El modelo C-TNet fue entrenado utilizando características de imagen e integrado con seis algoritmos de clasificación, incluido el bosque aleatorio.
- El rendimiento se evaluó utilizando conjuntos de validación internos y externos, comparando con médicos de alto rango y BMNet.
Principales resultados:
- C-TNet integra las características de la red neuronal profunda con un clasificador forestal aleatorio utilizando datos de ultrasonido y elastografía.
- El modelo logró un área bajo la curva (AUC) de 0,873 en la diferenciación de nódulos tiroideos.
- El rendimiento de C-TNet fue comparable al de los médicos superiores (AUC: 0,868).
Conclusiones:
- El modelo C-TNet demuestra una alta eficacia para distinguir los nódulos tiroideos benignos de los malignos.
- El modelo de IA muestra generalizabilidad en diferentes entornos clínicos.
- C-TNet sirve como una valiosa herramienta de apoyo a la toma de decisiones para mejorar la estratificación del riesgo de nódulos tiroideos.
