优化甲状腺结节管理与人工智能:多中心回顾性研究减少不必要的精细针的愿望.
Jia-Hui Ni1, Yun-Yun Liu1, Chao Chen2
1Department of Medical Ultrasound, Shanghai Tenth People's Hospital, Tongji University School of Medicine, YanChang Middle Street 301, Shanghai, China, 86 21-66307539.
JMIR medical informatics
|July 30, 2025
概括
人工智能 (AI) 能够有效地识别良性甲状腺结节,显著减少不必要的细针吸收 (FNA). 虽然人工智能作为诊断工具表现有前途,但对可能错过的恶性结节的仔细监测仍然至关重要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 目前用于甲状腺结节的人工智能 (AI) 模型主要集中在恶性查上,但缺乏广泛的临床实施.
- 需要在现实世界的临床环境中评估AI的疗效,以管理甲状腺结节.
研究的目的:
- 评估人工智能系统在识别潜在良性甲状腺结节方面的性能,放射科医生最初标记为可疑的恶性瘤.
- 目标是减少不必要的细针吸收 (FNA) 程序,并优化甲状腺结节的管理.
主要方法:
- 通过使用基于深度学习的AI系统分析了4572个甲状腺结节的追溯验证队列.
- 评估了AI的诊断性能,以正确识别良性结节和错误分类恶性结节.
- 一个比较队列被用来直接比较AI在识别良性结节的准确性与初级和高级放射科医生的准确性.
主要成果:
- 人工智能系统正确识别了86.8%的良性结节,并将不必要的FNA从68.5%减少到9.1%.
- 然而,8.6%的恶性结节被错误地归类为良性,主要是那些怀疑程度低或中等的结节.
- 在对比队列中,人工智能在良性结节方面达到81.4%的准确性,超过初级 (40%) 和高级 (55%) 放射科医生,曲线下面积 (AUC) 为0.88.8.
结论:
- 人工智能显示出作为"守门员"工具的潜力,通过准确识别最初怀疑患有恶性瘤的良性甲状腺结节,显著减少不必要的FNA.
- 尽管AI的高性能,持续警和积极监测是必不可少的,因为错误分类低侵略性恶性结节的可能性很小.
