简化甲状腺结节在超声波上的风险分层:人工智能甲状腺成像报告和数据系统的验证和性能

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 甲状腺结节需要准确的风险分层来指导细针吸收 (FNA).
• 现有的系统,如美国放射学学院的TI-RADS (ACR TI-RADS) 被广泛使用.
• 一个新的人工智能TI-RADS (AI TI-RADS) 已经开发出来,有可能改进现有系统.

研究的目的:

• 为了验证AI TI-RADS对甲状腺结节风险分层的性能.
• 将AI TI-RADS的灵敏度和特异性与已建立的ACR TI-RADS进行比较.

主要方法:

• 对320名患者的378个甲状腺结节进行了回顾性评估,其中包括超声波图像和FNA结果.
• 三名放射科医生使用AI TI-RADS词典评估结节,反映了ACR TI-RADS的类别和特征.
• 将AI TI-RADS和ACR TI-RADS的FNA建议进行了比较,计算了灵敏度和特异性.

主要成果:

• 与ACR TI-RADS (0.72) 相比,AI TI-RADS的平均灵敏度略低 (0.69),而ACR TI-RADS的平均灵敏度则略低 (p < 0.02).
• 人工智能TI-RADS的平均特异性略高 (0.40) 比ACRTI-RADS的平均特异性略高 (0.37) (p < 0.02).
• 与AI TI-RADS相比,分配的总积分数量略低,更多的功能获得零积分.

结论:

• 在甲状腺结节风险分层中,AI TI-RADS 的性能与ACR TI-RADS 的性能相当.
• 人工智能TI-RADS系统通过消除对众多特征的点赋值来简化过程.
• 这种简化表明了未来TI-RADS的精简版本的潜力.