提高甲状腺C-TIRADS类别4结节的诊断精度:混合深度学习和机器学习模型,集成灰度和弹性超声波特征
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
概括
人工智能模型C-TNet使用超声波数据有效区分良性和恶性甲状腺结节. 这种人工智能工具的性能与专家医生相美,
科学领域:
- 医学成像
- 医学的人工智能
- 癌症学
背景情况:
- 确切的甲状腺癌诊断对于患者的护理至关重要.
- 人工智能有可能提高诊断准确性.
- 甲状腺结节风险分层依赖于C-TIRADS等指南.
研究的目的:
- 开发和验证一种人工智能模型,C-TNet,用于区分良性和恶性甲状腺结节.
- 通过超声波和弹性成像来评估C-TNet在C-TIRADS类别4节点上的性能.
- 将C-TNet的诊断能力与人类专家和其他AI模型 (BMNet) 进行比较.
主要方法:
- 分析了3545名患有C- TIRADS4类甲状腺结节的患者.
- 使用图像特征训练C-TNet模型,并与六个分类算法集成,包括随机森林.
- 使用内部和外部验证集来评估性能,与高级医生和BMNet进行比较.
主要成果:
- C-TNet将深度神经网络功能与使用超声波和弹性图形数据的随机森林分类器集成.
- 该模型在区分甲状腺结节方面达到0. 873的曲线下面积 (AUC).
- C- TNet的表现与高级医生的表现相美 (AUC: 0. 868).
结论:
- 在区分良性和恶性甲状腺结节方面,C-TNet模型表现出很高的有效性.
- 人工智能模型在不同的临床环境中显示了通用性.
- C-TNet 作为一个有价值的决策支持工具,用于改善甲状腺结节风险分层.
