基于甲状腺超声波的恶性甲状腺结节诊断的机器学习:对使用外部数据集的研究进行系统审查和元分析
Elisa Gatta1,2, Roberto Gatta2,3, Riccardo Morandi2,4
1Department of Clinical and Experimental Sciences, SSD Endocrinologia, University of Brescia, ASST Spedali Civili, Brescia, Italy.
European journal of radiology open
|January 1, 2026
概括
人工智能 (AI) 模型在使用超声数据区分良性和恶性甲状腺结节方面表现出高准确性. 这一系统性审查和元分析证实了AI的存在.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 瘤学 诊断 诊断 瘤学
背景情况:
- 优化甲状腺结节的诊断方法是一个重大的临床挑战.
- 像EU-TIRADS这样的基于超声波的风险分层系统提供了宝贵的诊断见解.
- 在区分良性和恶性甲状腺结核方面,需要提高准确度至关重要.
研究的目的:
- 系统地审查和元分析人工智能 (AI) 模型的诊断性能.
- 用超声波数据评估AI区分良性与恶性甲状腺结节的能力.
- 评估AI模型的准确性与已建立的风险分层系统相比.
主要方法:
- 在主要的科学数据库 (PubMed/MEDLINE,Scopus,Web of Science) 中进行了全面的系统搜索.
- 符合条件的研究包括针对甲状腺结节的细胞学或组织学发现验证的AI模型.
- 一个分层汇总接收器操作特征 (HSROC) 模型被用来估计聚合的灵敏度,特异性和AUC.
主要成果:
- 分析包括27项研究,涉及146,332名患者和超过60万张超声波图像.
- 人工智能模型的综合灵敏度为87%,特异性为83%,AUC为91.9%.
- 虽然子组分析表明细胞学的准确性更高,但这在统计学上并不显著.
结论:
- 基于人工智能的算法在甲状腺结节的表征方面表现出色的诊断性能.
- 这些发现支持AI在临床甲状腺结节管理工作流程中的潜在整合.
- 建议进行更多的多中心,非亚洲和基于组织学的验证研究.
