人工智能辅助的甲状腺结节的风险分层与未确定的意义上的非典型性
Jinyoung Kim1, Jeongmin Lee1, Jeonghoon Ha1
1Division of Endocrinology and Metabolism, Department of Internal Medicine, College of Medicine, The Catholic University of Korea, Seoul, Republic of Korea.
一个人工智能 (AI) 模型在评估具有不确定意义 (AUS) 细胞学的类型异常的甲状腺结节方面显示出希望. 这种人工智能工具具有高灵敏度和负预测价值,有助于对不确定的甲状腺结节的临床决策.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 在瘤学瘤学.
背景情况:
- 对于管理不确定的甲状腺结节的传统方法在风险分层方面存在局限性.
- 需要使用非侵入性工具来提高甲状腺结节的诊断准确度,以不确定的意义 (AUS) 细胞学.
研究的目的:
- 评估人工智能 (AI) 模型对甲状腺结节风险分层的临床适用性,使用AUS细胞学.
- 评估AI模型在将甲状腺结节分类为良性或恶性时的诊断性能.
主要方法:
- 来自五个韩国医疗机构的165个甲状腺结节的回顾性分析,诊断出AUS细胞学 (2019年1月 - 2020年12月).
- 基于深度学习的AI模型 (AI-甲状腺) 的应用,用于二元分类 (良性/恶性) 和恶性瘤风险估计.
- 人工智能模型性能与传统的K-TIRADS评分系统的比较.
主要成果:
- 人工智能模型在二进制分类中实现了0.91的灵敏度和0.87的负预测值.
- 恶性瘤风险估计曲线下的面积 (AUC) 为0.75,相当于K-TIRADS (AUC 0.76).
- 人工智能模型对小于1.5厘米的结节显示出高灵敏度 (98%).
结论:
- 人工智能辅助超声波分析为甲状腺结节与AUS细胞学提供了有价值的补充信息.
- 人工智能模型的高灵敏度和负预测值可以帮助临床医生管理不确定的甲状腺结节,特别是较小的甲状腺结节.
- 人工智能工具显示出改善甲状腺结节诊断中的风险分层和决策的潜力.
相关概念视频
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
09:11Automation of the Micronucleus Assay Using Imaging Flow Cytometry and Artificial Intelligence
06:37Artificial Intelligence-Based System for Detecting Attention Levels in Students
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
10:26A 3D Digital Model for the Diagnosis and Treatment of Pulmonary Nodules
05:49Reliability of Artificial Intelligence-Based Cone Beam Computed Tomography Integration with Digital Dental Images


