优化甲状腺结节评估:通过基于AI的超声波图像分析将AI集成到甲状腺成像报告和数据系统中
Haseeb Arif1, Hasan Farooq2, Muhammad Omer Altaf3
1General Surgery, Shalamar Hospital, Lahore, PAK.
Cureus
|March 9, 2026
概括
一个新的视觉语言AI模型显示了甲状腺结节风险分层使用ACR-TIRADS指南的前景. 人工智能工具实现了高灵敏度,有可能减少错过的恶性结节,并帮助临床决策.
科学领域:
- 内分泌学 在内分泌学.
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 甲状腺结节是常见的内分泌异常,需要风险分层.
- 超声波是主要的诊断工具,但ACR-TIRADS面临着观察者之间的变化和时间限制.
- 人工智能 (AI) 可以自动化流程并提高诊断准确性.
研究的目的:
- 开发和评估基于ACR-TIRADS的甲状腺结节风险分层的AI模型.
- 评估模型在将结节分类为可疑或非可疑的表现.
主要方法:
- 对139张甲状腺超声波图像 (最初收集的1000张图像中) 的回顾性分析.
- 基于ACR-TIRADS特征的图像注释 (组成,回声性,形状,边缘,回声焦点).
- 使用特定领域的预训练和微调,训练视觉语言人工智能模型 (LLaVA-Med).
主要成果:
- 人工智能模型实现了67%的准确性,71%的灵敏度,53%的特异性和84.6%的精度.
- 获得了77%的F1得分,表现有利于灵敏度.
- 该模型显示了降低错过恶性结节的可能性的潜力.
结论:
- 视觉语言人工智能模型显示出作为甲状腺结节风险分层的支持性查工具的潜力.
- 更高的灵敏度和可解释的输出是关键优势,特别是在资源有限的环境中.
- 临床实施需要进一步验证和改进.
