人工智能支持的超声波诊断和卵泡甲状腺瘤的分层:一个多中心研究
Jianming Li1, Haoyan Zhang2,3, Huan Zheng4
1Department of Interventional Ultrasound, Senior Department of Oncology, Chinese PLA General Hospital, Beijing, China.
NPJ digital medicine
|March 4, 2026
概括
一个新的人工智能 (AI) 模型使用超声波图像准确地区分了卵泡甲状腺癌 (FTC) 和卵泡甲状腺瘤 (FTA). 这种人工智能工具提供了一种可靠的非侵入性方法,用于手术前诊断和甲状腺瘤风险分层.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在手术前区分毛囊性甲状腺癌 (FTC) 和毛囊性甲状腺瘤 (FTA) 是具有挑战性的.
- 目前的超声波风险分层系统和现有的人工智能 (AI) 方法在毛囊瘤的有效性和验证方面存在局限性.
研究的目的:
- 开发和验证一个深度学习模型,使用超声波图像来区分FTC和FTA.
- 将FTC分类为入侵子类型.
- 评估模型在不同临床环境中的表现.
主要方法:
- 一个多中心的回顾性研究,涉及1531名患者进行模型开发和900名患者通过三个外部测试集进行验证.
- 开发一种使用超声波图像的深度学习模型.
- 跨多个机构的外部验证.
主要成果:
- 人工智能模型在外部测试集中实现了FTC与FTA歧视 (AUCs 0.816-0.847) 和亚型分类 (AUC范围0.754-0.910) 的高诊断性能.
- 该模型证明了对各种临床环境的强有力的概括,其三重分类宏观AUC为0.818-0.861.1.
- 人工智能模型的表现优于放射科医生,并且当被用作辅助工具时,提高了诊断准确度.
结论:
- 开发的AI模型提供了一种可靠的,非侵入性的工具,用于手术前诊断卵泡性甲状腺瘤.
- 这种人工智能方法增强了卵泡甲状腺病变的手术前风险分层.
- 该模型显示了在甲状腺结节评估中改善临床决策的巨大潜力.
