在FNAC中检测BRAF与半定量99mTc-MIBI技术和AI模型相结合,是一种经济有效的预测工具,用于甲状腺结节中的恶性病变
Laura Teodoriu1, Maria-Christina Ungureanu1, Mioara Matei2
1Endocrinology Department, "Grigore T. Popa" University of Medicine and Pharmacy, 700111 Iasi, Romania.
Diagnostics (Basel, Switzerland)
|July 13, 2024
概括
这项研究探讨了使用人工智能 (AI) 精细针吸入细胞学 (FNAC) 和技术-99m-甲-异布-异 (99mTc-MIBI) 扫描来改善甲状腺结节的诊断. 将这些方法结合起来,有望成为甲状腺癌的经济有效的诊断工具.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 诊断技术的高成本限制了广泛使用.
- 良性甲状腺疾病的自由手术指示增加了偶然的甲状腺癌诊断,特别是低风险的乳头小瘤.
研究的目的:
- 评估结合精细针吸收细胞学 (FNAC),99mTc-MIBI光学和人工智能 (AI) 诊断甲状腺结节的疗效.
- 为甲状腺结节开发一个具有成本效益的手术前诊断工具.
主要方法:
- 一组148名患有甲状腺结节的患者接受了超声波和FNAC,在70名患者中进行了潜在的BRAF突变分析.
- 44名患者使用99mTc-MIBI进行了半定量功能成像.
- 机器学习 (AI) 使用与成像和细胞学结果相关联的组织病理学数据进行训练.
主要成果:
- 在FNAC中进行的BRAF分析显示灵敏度为87.50%,特异性为75.00%,准确度为83.33%.
- 半定量功能成像产生了33%的灵敏度,66.67%的特异性和60%的准确性.
- 冲洗指数 (WOind) 显示了57.14%的灵敏度,50%的特异性和70%的准确性.
结论:
- 结合手术前的研究,如FNAC中的分子检测,99mTc-MIBI扫描和AI,显示出一种高效的诊断工具的潜力.
- 需要对更大的队列进行进一步验证,以确认这种结合方法对甲状腺结节诊断的有效性和成本效益.
