マシン・ラーニングによる全体的および内部の超音波特性の定量化,悪性部分性シスタ性甲状腺結節の診断
Yutong Zhang1, Jue Jiang1, Aqian Chen1
1Department of Ultrasound, The Second Affiliated Hospital of Xi 'an Jiaotong University, Xi'an, China.
Frontiers in endocrinology
|August 22, 2025
まとめ
マシン・ラーニングは,超音波データを分析することで,悪性部分性システィック甲状腺結節 (PCTNs) を正確に識別します. 全体と内部のノドルの特徴を組み合わせた統合モデルは,PCTNの優れた診断性能を示しています.
科学分野:
- 放射線科 と 医学 画像
- 医療における人工知能
- 腫瘍学
背景:
- 部分的にシスティックな甲状腺結節 (PCTNs) は,微妙な超音波特異性のために,悪性可能性がしばしば過小評価されます.
- 適切な患者管理には,良性PCTNと悪性PCTNの正確な区別が不可欠です.
研究 の 目的:
- 総合的な超音波機能を用いたPCTNにおける悪性潜在的な検出を改善するための機械学習 (ML) モデルを開発し,検証する.
- 全体と内部のノドルの超音波特性を含む統合MLモデルの診断性能を評価する.
主な方法:
- 定量的な超音波評価に適用された機械学習 (ML) を使った486のPCTNの遡及分析.
- 全体のノードル特性,内部固体部分特性,統合的なアプローチを用いた3つの診断モデルの開発.
- トレーニングとテストのデータセットは7:3の比率に分割され,顕著な低精神性および化などの重要な超音波特性を強調した.
主要な成果:
- 統合されたMLモデルは,試験データで0.96 (0. 93- 0. 99) の曲線下の面積 (AUC) で優れた診断性能を達成しました.
- この包括的なモデルは,高精度 (0. 91),高感度 (0. 88),高特異性 (0. 92) で悪性PCTNを特定することが示されました.
- 統合されたモデルは,全体的なノードル特性 (AUC=0. 85) を利用したモデルを大幅に上回った.
結論:
- 総合的な超音波測定を統合したML主導のアプローチは,悪性PCTNの信頼性の高い識別に臨床的有用性を提供します.
- このAIによるツールにより 臨床医は 部分的な甲状腺閉塞の悪性腫瘍のリスクを よりよく評価できます
- この統合されたMLモデルのさらなる検証は,広範な臨床採用のために推奨されます.
