مقالة بحثية

سمات الأوعية الدموية الدقيقة الكمية فائقة الدقة بالموجات فوق الصوتية للتصنيف القائم على التعلم الآلي للعقيدات الدرقية

69 مشاهدة

⸱

سبتمبر 11, 2026

 ,  ,  ,  ,  , 
1Department of Ultrasound, Beijing Friendship Hospital, Capital Medical University, 2School of Mathematics, Sichuan University, 3Zhenjiang Hospital of Chinese Traditional and Western Medicine

* These authors contributed equally

في هذه المقالة

ملخص

قارنت هذه الدراسة خمس خوارزميات للتعلم الآلي لتصنيف عقيدات الغدة الدرقية باستخدام ميزات الموجات فوق الصوتية ذات الدقة الفائقة. وقد حققت خوارزمية SVM أفضل أداء (بدقة 68.6%، ومساحة تحت المنحنى 0.690)، حيث حددت التكلسات الدقيقة والتضخم بعد التباين كمساهمين رئيسيين، إلا أن هذه النتائج تتطلب تحققاً خارجياً قبل الاستخدام السريري.

الملخص

قارنت هذه الدراسة بين خمس خوارزميات لتعلم الآلة وهي: الغابة العشوائية (RF)، وآلة متجه الدعم (SVM)، وشجرة القرار (DT)، وتعزيز التدرج الشديد (XGBoost)، وتعزيز التدرج (GB)، وذلك لتصنيف عقيدات الغدة الدرقية باستخدام ميزات كمية مستمدة من الموجات فوق الصوتية التقليدية، والموجات فوق الصوتية المعززة بالتباين (CEUS)، والموجات فوق الصوتية فائقة الدقة (SRUS). شملت هذه الدراسة الاسترجاعية 68 عقيدة درقية من 63 مريضاً (30 حميدة و38 تأكد أنها سرطان الغدة الدرقية الحليمي [PTC])، وتم تحليلها باستخدام 25 ميزة كمية عبر التحقق المتقاطع خماسي الطيات المجمع حسب المريض، لضمان تعيين جميع العقيدات من المريض الواحد إلى الطية نفسها. تم تلخيص أداء النموذج عبر الطيات ومن تنبؤات خارج الطية (OOF) المجمعة، كما أُجري تحليل مركز لـ SHapley Additive exPlanations (SHAP) خارج الطية باستخدام مفسر قائم على التبديل لأفضل نموذج أداء وهو SVM. حقق نموذج SVM أعلى متوسط دقة (0.686 ± 0.120) وأعلى متوسط للمساحة تحت منحنى خصائص تشغيل المستقبل (ROC-AUC) بقيمة (0.690 ± 0.164)، مع حساسية مجمعة خارج الطية بلغت 0.842 ونوعية بلغت 0.500، بينما تم تحديد التكلسات الدقيقة والتضخم بعد التباين كأهم المساهمين في تحليل SHAP الخاص بالنموذج. وقدم نموذج RF أداءً متوازناً (الدقة 55.9%، الحساسية 55.3%، النوعية 56.7%)، بينما كان أداء نموذج DT ضعيفاً (الدقة 0.429، ROC-AUC 0.447)، وهو ما يقترب من التخمين العشوائي. وأظهرت الدراسة إمكانية دمج قياسات SRUS الكمية في المصنفات التقليدية؛ ومع ذلك، تظل هذه النتائج استكشافية وتتطلب تحققاً مستقبلياً متعدد المراكز مع مجموعات أكبر من المرضى قبل التطبيق السريري.

المقدمة

تمثل عقد الغدة الدرقية اكتشافاً سريرياً شائعاً للغاية، حيث تقترب معدلات الكشف عنها من 68% لدى الأشخاص الذين لا يعانون من أعراض عند فحصهم بالموجات فوق الصوتية1. وقد كشفت التحليلات التلوية الحديثة أن الانتشار العالمي لعقد الغدة الدرقية قد ارتفع من 21.53% خلال الفترة 2000-2011 إلى 29.29% خلال الفترة 2012-2022، مما يؤثر على شخص واحد تقريباً من بين كل أربعة أفراد في عامة السكان2,3. ومن بين هذه العقد، يتم تشخيص 7-15% منها في النهاية على أنها سرطان الغدة الدرقية، ويمثل سرطان الغدة الدرقية الحليمي (PTC) النوع الفرعي السائد منها4,5. ويشكل PTC ما نسبته 80-90% من جميع أورام الغدة الدرقية الخبيثة، وأصبح واحداً من أسرع أنواع السرطان نمواً، حيث ارتفعت معدلات الإصابة من 4.8 إلى 14.9 لكل 100,000 شخص بين عامي 1975 و20126.

لا يزال التصوير بالموجات فوق الصوتية التقليدي حجر الزاوية في تقييم عقيدات الغدة الدرقية، حيث يوفر وسيلة تشخيصية غير جراحية وفعالة من حيث التكلفة ومتاحة على نطاق واسع7. وتشمل السمات التصويرية التقليدية التي تشير إلى وجود ورم خبيث انخفاض الصدى الملحوظ، والحواف غير المنتظمة، والتكلسات الدقيقة، والشكل الذي يكون فيه الارتفاع أكبر من العرض8,9. ومع ذلك، فإن هذه التقنية محدودة أساساً بحاجز حيود الموجات الصوتية، مما يقيد الدقة المكانية إلى حوالي 100 micrometers10. ويقيد هذا القصور بشكل كبير القدرة على تصور الأوعية الدموية الدقيقة وتقييم المورفولوجيا الوعائية الدقيقة، وهي معايير بالغة الأهمية للتمييز بين آفات الغدة الدرقية الحميدة والخبيثة11. وبالرغم من أن تصوير تدفق الدم بدوبلر الملون (CDFI) والموجات فوق الصوتية المعززة بالتباين (CEUS) يعملان على تحسين الكشف عن تدفق الدم، إلا أنهما لا يستطيعان تصور الأوعية التي تتجاوز سرعات التدفق فيها 1 cm/s، وتظلان مقيدتين بدقة محدودة بفعل الحيود12,13.

تتجاوز تقنية الموجات فوق الصوتية فائقة الدقة (SRUS)، باعتبارها تقنية تحويلية، حد الحيود التقليدي لأنظمة الموجات فوق الصوتية التقليدية14,15. ومن خلال الاستفادة من الفقاعات الدقيقة التباينية كأهداف نقطية للتحديد والتتبع، تحقق تقنية SRUS دقة مكانية بمقياس الميكرون، مما يسمح بتصوير وقياس الأوعية الدموية الدقيقة بمستوى غير مسبوق من التفاصيل16,17. ويمكن لهذه التقنية قياس كل من كثافة الأوعية الدقيقة (MVD) ومعدل تدفق الأوعية الدقيقة (MFR)، مما يوفر تقييمات هيكلية ووظيفية لا يمكن تحقيقها بدقة من خلال التصوير غير الجراحي17,18. وقد أظهرت الدراسات الأولية أن العقد الدرقية الحميدة تظهر معدل تدفق (MFR) أعلى بكثير من العقد الخبيثة، حيث بلغت القيم المتوسطة 16.76 ± 6.82 mm/s مقابل 9.86 ± 4.54 mm/s، على التوالي19. كما أن إدخال "علم الأوعية الدقيقة بالموجات فوق الصوتية" (ultrasound microvasculomics)—وهو استخراج عالي الإنتاجية للميزات الكمية من صور SRUS—يعزز بشكل أكبر إمكانية إجراء تقييم دقيق وشخصي للأوعية الدموية الدقيقة.

لقد أحدث تعلم الآلة (ML) ثورة في تحليل الصور الطبية، لا سيما في توصيف عقد الغدة الدرقية20,21. وقد حققت نماذج التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، قيمًا لمنطقة تحت منحنى خصائص التشغيل للمستقبل (ROC-AUC) تتجاوز 0.90 في دراسات سابقة22,23,24. كما أظهرت نهج تعلم الآلة التجميعية التي تدمج خوارزميات متعددة — بما في ذلك الغابة العشوائية (RF)، وآلات المتجهات الداعمة (SVM)، وأشجار القرار (DT)، وتعزيز التدرج (GB)، وتعزيز التدرج القصوى (XGBoost) — نتائج واعدة في تحسين دقة التشخيص والمتانة عبر مجموعات البيانات غير المتجانسة21. وكما استعرض Habchi وزملاؤه25 مؤخرًا بشكل شامل، فقد توسع مجال الذكاء الاصطناعي (AI) لسرطان الغدة الدرقية بسرعة ليشمل المحولات المرئية، والنماذج اللغوية الكبيرة، والهياكل الهجينة، مما يعكس تطور هذا المجال نحو أطر تشخيصية قائمة على الصور تزداد تعقيدًا.

بينما خضعت سمات الموجات فوق الصوتية التقليدية لدراسات مكثفة بالتزامن مع خوارزميات الذكاء الاصطناعي، لا يزال الجمع بين معاملات الأوعية الدموية الدقيقة فائقة الدقة ونماذج تعلم الآلة غير مستكشف إلى حد كبير. وعلى الرغم من الإمكانات الواعدة لتقنية SRUS والفعالية المثبتة لخوارزميات تعلم الآلة في التصوير الطبي، لا تزال هناك عدة أسئلة جوهرية دون إجابة. أولاً، أي بنية لتعلم الآلة — سواء كانت الخوارزميات التقليدية مثل RF و SVM، أو طرق التجميع المتقدمة مثل XGBoost و GB — تقدم الأداء الأمثل عند تطبيقها على سمات الأوعية الدموية الدقيقة المشتقة من SRUS؟ ثانياً، كيف تقارن هذه النماذج من حيث الحساسية، والنوعية، والدقة التشخيصية العامة في التمييز بين عقيدات الغدة الدرقية الحميدة والخبيثة؟ ثالثاً، ما هي معاملات الأوعية الدموية الدقيقة المستخرجة من تصوير SRUS التي تساهم بشكل أكبر في أداء التصنيف؟ إن الإجابة على هذه الأسئلة أمر أساسي لوضع أطر عمل قائمة على الأدلة للترجمة السريرية لتشخيص عقيدات الغدة الدرقية بمساعدة SRUS.

وبناءً على ذلك، تهدف هذه الدراسة إلى تقييم شامل لأداء خمس خوارزميات للتعلم الآلي (RF وSVM وDT وXGBoost وGB) لتصنيف عقيدات الغدة الدرقية باستخدام بيانات التصوير بالموجات فوق الصوتية فائقة الدقة للأوعية الدموية الدقيقة. ومن خلال المقارنة المنهجية لهذه المنهجيات وتحديد المؤشرات الحيوية للأوعية الدموية الدقيقة الأكثر دلالة، يسعى هذا البحث إلى تطوير النموذج التشخيصي لتوصيف عقيدات الغدة الدرقية والمساهمة في مجموعة الأدلة المتزايدة التي تدعم الفائدة السريرية لتقنية SRUS في التصوير الورمي. وقد افترضنا أن مجموعة السمات المحددة مسبقاً والمكونة من 25 متغيراً ستوفر تمييزاً يتجاوز مستوى الصدفة بين العقيدات الحميدة والعقيدات المصنفة كسرطان الغدة الدرقية الحليمي. واستُخدم التحقق المتقاطع المجمع حسب المرضى لتقليل تسرب المعلومات، كما أُضيف تحليل SHAP مركز لوصف كيفية استخدام المصنف المختار للمتغيرات المقاسة. وكان كلا التحليلين استكشافيين.

البروتوكول

تصميم الدراسة ومجتمع المرضى

حللت هذه الدراسة الاسترجاعية فحوصات الموجات فوق الصوتية للغدة الدرقية التي أجريت في الفترة ما بين 13 يونيو 2024 و13 يناير 2025. تمت الموافقة على بروتوكول الدراسة من قبل لجنة الأخلاقيات في مستشفى بكين للصداقة، جامعة العاصمة الطبية (رقم الموافقة BFHHZS20240300)، وأجريت وفقاً للمبادئ الأخلاقية الموضحة في إعلان هلسنكي، كما تم التنازل عن الموافقة المستنيرة نظراً للتصميم الاسترجاعي للدراسة. تضمنت مجموعة البيانات 68 عقدة درقية من 63 مريضاً (30 حميدة و38 خبيثة)، وكانت العقدة هي وحدة التحليل. اعتمدت التشخيصات المرجعية على نتائج سحب الخلايا بالإبرة الرفيعة الموجه بالموجات فوق الصوتية (FNAC). وشملت المجموعة الخبيثة 38 عقدة تم تشخيصها على أنها سرطان الغدة الدرقية الحليمي بناءً على نتائج FNAC.

معايير الاشتمال

تطلب من المرضى المؤهلين استيفاء جميع المعايير التالية: (1) الخضوع لتصوير بالموجات فوق الصوتية التقليدية بتدرج الرمادي ودوبلر، يليه تصوير بالموجات فوق الصوتية المعززة بالتباين (CEUS) بجودة صور مرضية تسمح بإجراء تحليل لاحق لتصوير التدفق الوعائي الدقيق؛ (2) وجود تشخيص خلوي مرضي لسرطان الغدة الدرقية الحليمي (PTC) مؤكد عن طريق خزعة بالإبرة الدقيقة، مع أو بدون اختبار إيجابي مصاحب لطفرة BRAFV600E؛ أو وجود نتيجة خلوية من الفئة الثالثة حسب تصنيف بيثيسدا (خلايا غير نمطية ذات أهمية غير محددة)، ولكن مع اختبار إيجابي متزامن لطفرة BRAFV600E؛ (3) وجود تشخيص خلوي مرضي لعقيدات حميدة تكاثرية، أو عقيدات غدية، أو عقيدات جريبية حميدة ضمن الفئة الثانية من تصنيف بيثيسدا دون وجود اختبار إيجابي مصاحب لطفرة BRAFV600E.

معايير الاستبعاد

تم استبعاد المرضى من الدراسة في حال وجود أي من الشروط التالية: (1) صور CEUS ذات جودة رديئة أو إشارة فقاعات دقيقة غير كافية تمنع التقييم الموثوق للتدفق الوعائي الدقيق؛ (2) غياب النتائج الخلوية أو المرضية؛ (3) تشخيص نسيجي مرضي لنوع فرعي نادر أو خاص من سرطان الغدة الدرقية (على سبيل المثال، المتغيرات غير المتمايزة)؛ أو (4) نتائج خلوية تشير إلى ورم غدي جريبي (فئة Bethesda IV) أو أي آفة ذات أصل جريبي غير محدد، بغض النظر عن حالة الطفرات؛ (5) التهاب الغدة الدرقية هاشيموتو

جمع بيانات الموجات فوق الصوتية، والتصوير بالموجات فوق الصوتية المعزز بالتباين (CEUS)، والتصوير بالموجات فوق الصوتية ذات الدقة المكانية العالية (SRUS)

أُجريت جميع الفحوصات باستخدام نظام الموجات فوق الصوتية المذكور ومحول طاقة ذو مصفوفة خطية. وُضع المرضى في وضعية الاستلقاء مع تمديد الرقبة. تم تحديد موقع العقدة المستهدفة وقياسها باستخدام الموجات فوق الصوتية بنمط B-mode؛ كما تم تسجيل التكلسات الدقيقة، واستُخدم مستوى التصوير نفسه المتمركز حول الآفة لتقييم التوعية الدموية داخل العقدة باستخدام Doppler الملون.

بعد إنشاء الوصول الوريدي، تم تحويل النظام إلى وضع CEUS/URM ذي المؤشر الميكانيكي المنخفض (يرمز URM إلى تصوير المجهر فائق الدقة). تم إجراء CEUS عن طريق حقن جرعة بولس وريدية من SonoVue بحجم 1.2 mL، تلاها مباشرةً غسل بمحلول ملحي بحجم 5ml؛ وقد تم تشغيل المؤقت على الشاشة وبدء الاستحواذ السينمائي المستمر مع إعطاء جرعة البولس. تم الحفاظ على المسبار في مستوى ثابت مع ضغط أدنى، وطُلب من المريض تجنب البلع أثناء مرحلتي التدفق الداخل والتدفق الخارج.

بالنسبة لتصوير الموجات فوق الصوتية المعزز بالتباين (CEUS) الكمي، تم استخدام منطقة اهتمام مقتصرة على الآفة لاستخلاص معاملات الوقت والكثافة. أما بالنسبة لتصوير الموجات فوق الصوتية فائقة الدقة (SRUS)، فقد قام سير عمل مجهر الموجات فوق الصوتية (URM) بتحديد وتتبع إشارات الفقاعات الدقيقة بعد التحكم في الحركة، ونتج عن ذلك قياسات نسبة الأوعية، والتعقيد، وكثافة الأوعية الدقيقة، ومؤشر التروية، وسرعة التدفق. وأظهرت صادرات الصور التمثيلية إعدادات VSP 4 وRES 2 وCTR 3 وSM 2 وVEN 3 وCPT 10 s؛ بينما لم تتوفر الإعدادات المقابلة لبقية الفحوصات.

تُدرج متغيرات مدخلات النموذج الـ 25 في الجدول 1 ومصنفة حسب طريقة الحصول عليها: العمر والجنس؛ التكلسات الدقيقة في وضع B-mode؛ التروية الوعائية داخل العقدة باستخدام Doppler الملون؛ التصوير بالموجات فوق الصوتية المعزز بالتباين (CEUS) النوعي؛ التصوير بالموجات فوق الصوتية المعزز بالتباين (CEUS) الكمي؛ و11 قياساً للأوعية الدقيقة باستخدام SRUS.

اختيار الميزات

تم الاحتفاظ بجميع السمات الكمية الـ 25 في نماذج تعلم الآلة. واستُخدمت السمات الرقمية فقط؛ حيث استُبعدت أسماء المرضى، وأرقام التسجيل، وحقول حجم الآفة. لم يتم إجراء أي اختيار للسمات بناءً على البيانات، وأُدخلت نفس المتنبئات المحددة مسبقاً في كل مصنف.

تقييس الميزات

لم يتم تطبيق أي تحويل أو تعويض أو تغيير في المقياس العام قبل إجراء التحقق المتقاطع. وقد طُبقت المعايرة فقط على آلة متجه الدعم ذات دالة الأساس الشعاعي (radial-basis-function SVM) عبر خط معالجة StandardScaler. تم ضبط المقياس بناءً على العقد التدريبية لكل طية، ثم طُبق على العقد التحققية لتلك الطية. أما المصنفات القائمة على الأشجار فقد استلمت المقاييس الرقمية الأصلية:

معادلة صيغة التنميط \( z = \frac{x - \mu}{\sigma} \)، الطريقة الإحصائية.

حيث x هي قيمة الميزة الأصلية، وµ هو المتوسط الحسابي لطية التدريب، وσ هو الانحراف المعياري لطية التدريب. وقد منعت المعالجة المسبقة على مستوى الطية ملاحظات التحقق من المساهمة في معاملات قياس SVM.

تقسيم البيانات

استخدم تقييم الأداء الأولي التحقق المتقاطع من نوع StratifiedGroupKFold بخمس طيات مع ضبط shuffle = True و random_state = 42. حدد معرف المريض 63 مجموعة، وتم تعيين جميع العقد من المريض نفسه إلى الطية ذاتها. لم يساهم أي مريض بعقد في كل من مجموعتي التدريب والتحقق ضمن الطية الواحدة.

تدريب النموذج والتحقق من صحته

بروتوكول التدريب

تم تقييم خمسة مصنفات: الغابة العشوائية (100 شجرة؛ random_state = 42)، وآلة ناقلات الدعم ذات الدالة الشعاعية الأساسية (C = 1.0؛ gamma = scale؛ probability = True؛ مسار عمل StandardScaler؛ random_state = 42)، وشجرة القرار (معيار Gini؛ عمق غير مقيد؛ random_state = 42)، وXGBoost (100 مقدر؛ learning_rate = 0.3؛ max_depth = 6؛ subsample = 1.0؛ colsample_bytree = 1.0؛ random_state = 42)، وتعزيز التدرج (100 مقدر؛ learning_rate = 0.1؛ max_depth = 3؛ random_state = 42). لم يتم إجراء أي بحث شبكي، أو تحسين بايزي، أو ضبط للعتبة، أو اختيار نموذج متداخل.

التحقق المتقاطع

داخل كل طية من الطيات الخمس المقسمة حسب المرضى، تم تدريب النماذج على مجموعات المرضى المتبقية وتقييمها على المجموعات المستبعدة. وتم حساب الدقة، والحساسية، والنوعية، والضبط، ومقياس F1-score، ومساحة منحنى خصائص تشغيل المستقبِل (ROC-AUC) لكل طية، وتم تلخيصها في صورة المتوسط ± الانحراف المعياري (SD). كما تم تجميع تنبؤات خارج العينة (OOF) عبر جميع العقد الـ 68 لإنشاء منحنى ROC واحد مصادق عليه تقاطعيًا ومصفوفة ارتباك واحدة لكل نموذج.

تقييم الأداء

مقاييس التقييم

تم تقييم أداء النموذج ضمن كل طية تحقق مجمعة حسب المرضى ومن خلال تنبؤات OOF المجمعة باستخدام المقاييس التالية:

الدقة: النسبة الإجمالية للتنبؤات الصحيحة

صيغة الدقة، ACC=(TP+TN)/(TP+TN+FP+FN)، معادلة القياس الإحصائي.

الحساسية (الاسترجاع): نسبة العقد الخبيثة الفعلية التي تم تحديدها بشكل صحيح

طريقة التحليل الطيفي مع المعادلة SEN=؛ ومخطط الامتصاص والانبعاث؛ وتجهيزات الدراسة البصرية.  معادلة الدقة (TP/TP+FN) لتحليل البيانات.

النوعية: نسبة العقد الحميدة الفعلية التي تم تحديدها بشكل صحيح

صيغة النوعية: SPE = TN/(TN+FP)، معادلة، تحليل إحصائي، أداء تشخيصي.

الدقة (القيمة التنبؤية الإيجابية): نسبة الحالات التي تم التنبؤ بأنها خبيثة وكانت خبيثة بالفعل

صيغة القيمة التنبؤية الإيجابية، حساب PPV، معادلة مع الإيجابيات الحقيقية (TP) والإيجابيات الكاذبة (FP).

مقياس F1-Score: المتوسط التوافقي للدقة والاسترجاع

صيغة درجة F1 وهي F1=2(Precision×Recall)/(Precision+Recall)، معادلة رياضية.

المساحة تحت منحنى خصائص تشغيل المستقبل (ROC-AUC): مقياس لقدرة النموذج على التمييز بين العقد الحميدة والخبيثة عبر جميع عتبات التصنيف

حيث أن TP = الإيجابيات الحقيقية (العقيدات الخبيثة التي تم تحديدها بشكل صحيح)، و TN = السلبيات الحقيقية (العقيدات الحميدة التي تم تحديدها بشكل صحيح)، و FP = الإيجابيات الكاذبة (العقيدات الحميدة التي تم تصنيفها خطأً على أنها خبيثة)، و FN = السلبيات الكاذبة (العقيدات الخبيثة التي تم تصنيفها خطأً على أنها حميدة).

تحليل مصفوفة الارتباك

تم إنشاء مصفوفات الارتباك (confusion matrices) بنظام OOF من خلال تجميع التنبؤات التي تم إجراؤها لكل عقدة فقط في الطية (fold) التي استُبعد فيها ذلك المريض. وبالتالي، حصلت كل عقدة على تنبؤ من نموذج تم تدريبه على عقد من مرضى آخرين.

تحليل أهمية الميزات

بالنسبة لنموذج الغابة العشوائية (Random Forest)، تم حساب درجات أهمية الميزات بناءً على متوسط الانخفاض في شوائب جيني (Gini impurity) عبر جميع أشجار القرار. وتم تحديد وترتيب أهم 15 ميزة لتحديد معاملات الأوعية الدموية الدقيقة التي ساهمت بشكل أكبر في أداء التصنيف.

تحليل SHAP الاستكشافي

أُجري تحليل OOF SHAP مركّز باستخدام مفسر قائم على التبديل لنموذج SVM. وبالنسبة لكل عقيدة مستبعدة، استُخدمت الملاحظات المقابلة في طية التدريب فقط كتوزيع خلفي (128 تبديلاً متضاداً؛ البذرة العشوائية = 20260716). لخصت قيم SHAP المطلقة المتوسطة حجم المساهمات، بينما أشارت القيم ذات الإشارة إلى الاتجاه. كان هذا التحليل استكشافياً ولم يُستخدم لاستنتاج السببية، أو تحديد المؤشرات الحيوية المستقلة، أو تحديد العتبات السريرية.

التحليل الإحصائي

التحليل المقارن

تم تلخيص أداء النموذج وصفياً عبر طيات التحقق الخمس المجمعة حسب المرضى وفي تنبؤات OOF المجمعة. لم يتم إجراء اختبار فرضية رسمي بين النماذج أو ترتيب قائم على قيمة P لأن الطيات مرتبطة وحجم المجموعة صغير.

لإجراء مقارنات المجموعات المرجعية، تم تقييم التوزيع الطبيعي للمتغيرات المستمرة ضمن كل مجموعة من النتائج باستخدام اختبار Shapiro-Wilk. واستُخدم اختبار Welch's t عندما كانت كلتا المجموعتين متوافقتين مع التوزيع الطبيعي؛ وخلاف ذلك، استُخدم اختبار Mann-Whitney U ثنائي الطرف. أما المتغيرات الفئوية فقد تم تقييمها باستخدام اختبار Pearson's chi-square، مع استخدام اختبار Fisher's exact للجداول 2 × 2 ذات البيانات المحدودة. وكانت قيم P ثنائية الطرف، واستكشافية، وغير معدلة (alpha = 0.05).

قابلية التكرار

تم دعم قابلية التكرار من خلال تعريف محدد لمجموعة المرضى، وبذرة عشوائية ثابتة (42)، وتكوينات مصنف ثابتة، ومعالجة مسبقة لكل طية. استُخدمت المعرفات لأغراض التجميع فقط، ولم يتم إدخالها كمتنبئات أو تصديرها مع مخرجات النموذج.

النتائج

خصائص المرضى ومجتمع الدراسة

شملت الدراسة إجمالي 68 عقدة درقية من 63 مريضاً، تضمنت 30 عقدة حميدة و38 حالة من سرطان الغدة الدرقية الحليمي (PTCs). كانت العقدة هي وحدة التحليل، وقد تم تجميع المرضى لمنع ظهور عقد من المريض نفسه في كل من مجموعتي التدريب والتحقق. وتلخص الخصائص الأساسية في الجدول 2.

يوضح الشكل 1 عمليات إعادة بناء ناجحة تقنياً لتقنية SRUS/URM مقيدة بالآفة من عقدة حميدة نموذجية وعقدة تم الإبلاغ عنها على أنها PTC وفقاً لخزعة الإبرة الدقيقة الموجهة بالموجات فوق الصوتية (FNAC). ويعرض كلا المثالين المخطط الخارجي للآفة، وخريطة الأوعية الدموية الدقيقة المعاد بناؤها، والطبقة الكمية المتراكبة التي أنشأها الجهاز. وتبرهن هذه الأمثلة على نجاح عملية الاستحواذ وإعادة البناء في كلتا الفئتين المرجعيتين، ولكنها لا تثبت بمفردها الفصل التشخيصي أو أداء النموذج.

تم تقييم خمسة مصنفات باستخدام التحقق المتقاطع الخماسي المجموع حسب المريض لمجموعة بيانات مكونة من 68 عقدة. تم تسجيل مقاييس الأداء على شكل متوسط الطيات ± الانحراف المعياري وقيم OOF المجمعة في الجدول 3. وتوضح الشكل 2، والشكل 3، والشكل 4 منحنيات OOF ROC، وملخصات مقاييس الطيات المجمعة، ومصفوفات OOF للارتباك.

يعرض الشكل 4 مصفوفات الارتباك المجمعة لبيانات OOF، حيث تم التنبؤ بكل عقدة فقط بواسطة نموذج تم تدريبه بدون عقد من المريض نفسه. صنف نموذج SVM بشكل صحيح 32 من أصل 38 عقدة خبيثة (حساسية 0.842) ولكنه أخطأ في تصنيف 15 من أصل 30 عقدة حميدة على أنها خبيثة (نوعية 0.500). سجلت شجرة القرار أكبر عدد من التصنيفات السلبية الكاذبة والإيجابية الكاذبة. وتوضح هذه الأنماط سبب عدم كفاية الدقة وحدها وتبرز النتائج الناجحة وغير المثالية على حد سواء.

في تحليل OOF SHAP المركز (الشكل 5 والجدول 4)، ساهم التكلس الدقيق والتضخم بعد تباين الصبغة بأكبر قدر من المساهمات الخاصة بالنموذج في احتمالية الخباثة بواسطة SVM، يليهما تجانس التعزيز والجنس. تصف هذه النتائج كيف استخدم نموذج SVM المجهز المتغيرات المقاسة في هذه المجموعة، ولا تحدد أهمية سريرية مستقلة.

بيان توفر البيانات

سيتم مشاركة البيانات التي يستند إليها هذا المقال بناءً على طلب معقول يُوجه إلى المؤلف المسؤول.

صور الموجات فوق الصوتية لعقدة حميدة وسرطان الغدة الدرقية الحليمي مع تحليل الكثافة ونسبة الأوعية الدموية.
الشكل 1. صور تمثيلية لتقنيتي SRUS/URM مقيدة بالآفة. (أ) عقدة حميدة في الغدة الدرقية. (ب) سرطان الغدة الدرقية الحليمي وفقاً لنتائج FNAC الموجهة بالموجات فوق الصوتية. يظهر كل لوح مخطط الآفة وإعادة بناء الأوعية الدموية الدقيقة المقابلة لها مع الطبقة الكمية التي أنشأها الجهاز. توضح هذه الأمثلة نجاح عملية الاستحواذ وإعادة البناء ولا تُستخدم لتقدير الدقة التشخيصية. الاختصارات: SRUS = الموجات فوق الصوتية فائقة الدقة؛ URM = التصوير المجهري فائق الدقة؛ FNAC = خلابة الإبرة الرفيعة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

منحنى ROC لمقارنة معدلات الإيجابيات الحقيقية مقابل الإيجابيات الكاذبة؛ مخطط أداء خوارزميات التعلم الآلي.
الشكل 2. منحنيات OOF ROC المجمعة حسب المرضى للمصنفات الخمسة. يلخص كل منحنى تنبؤاً واحداً مستبعداً لكل عقدة؛ ويشير الخط القطري المقطع إلى التمييز القائم على الصدفة. الاختصارات: RF = Random Forest؛ SVM = Support Vector Machine؛ DT = Decision Tree؛ XGB = eXtreme Gradient Boosting؛ GB = Gradient Boosting؛ OOF = Out-of-fold؛ ROC-AUC = Receiver Operating Characteristic-Area Under Curve. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخططات أداء نموذج تعلم الآلة: الدقة، والحساسية، والنوعية، والضبط، وF1، وROC-AUC.
الشكل 3. المتوسط ± الانحراف المعياري (SD) لكل من الدقة، والحساسية، والنوعية، والضبط، وF1-score، وROC-AUC عبر خمس طيات تحقق مجمعة حسب المرضى. الاختصارات: SD = الانحراف المعياري؛ ROC-AUC = خاصية تشغيل المستقبل-المساحة تحت المنحنى. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مقارنة مصفوفة الارتباك في نماذج تعلم الآلة: الغابة العشوائية، وآلة ناقلات الدعم (SVM)، وشجرة القرار، وXGBoost.
الشكل 4. مصفوفات الارتباك OOF المجمعة حسب المرضى. تمثل الصفوف الفئة المرجعية وتمثل الأعمدة الفئة المتوقعة. تم التنبؤ بكل عقدة بواسطة نموذج تم تدريبه دون تضمين أي عقد من المريض نفسه. الاختصار: OOF = خارج الطية (Out-of-fold). يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط شريطي ومخطط تشتت لقيم SHAP لتحليل SVM؛ الأهمية العالمية، والتفسيرات الفردية.
الشكل 5. تحليل OOF SHAP لنموذج SVM باستخدام مفسر قائم على التبديل. (A) ترتيب أكبر عشر قيم متوسطة مطلقة لـ SHAP. (B) قيم SHAP ذات الإشارة لنفس المتغيرات عبر 68 توقعاً مستبعدة. الاختصارات: OOF = Out-of-fold؛ SHAP = SHapley Additive exPlanations؛ SVM = Support Vector Machine؛ MVD = Microvascular density. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مصدر الاستحواذالمتنبئاتالتعامل مع النموذج
البيانات الديموغرافيةالعمر؛ الجنسمتغيرات ورقة العمل الرقمية؛ حيث يتم الاحتفاظ بكليهما كمدخلات محددة مسبقاً للنموذج.
الموجات فوق الصوتية بنمط Bالتكلسات الدقيقةمتغير ورقة عمل عددي؛ لا يوجد تحجيم شامل.
دوبلر الملونالأوعية الدموية داخل العقدة (تدفق الدم)يُصنف كمتنبئ بدوبلر الملون بدلاً من كونه متنبئاً بنمط B.
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)التضخم بعد حقن المادة الظليلية؛ نمط التعزيز؛ تجانس التعزيزمتغيرات ورقة العمل الرقمية؛ يتم الاحتفاظ بها كمدخلات محددة مسبقاً.
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)المساحة تحت المنحنى، شدة الذروة، الوقت اللازم للوصول للذروة، وقت الوصول، وقت الصعود، متوسط زمن العبور، الوقت اللازم للوصول إلى نصف شدة الذروةسبعة متغيرات لمنحنى الزمن والكثافة؛ دون تعويض للبيانات المفقودة أو قياس عالمي.
الأوعية الدموية الدقيقة لـ SRUSنسبة الأوعية، التعقيد، الحد الأقصى/الأدنى/المتوسط/الانحراف المعياري لكثافة الأوعية الدقيقة (MVD)، مؤشر التروية، الحد الأقصى/الأدنى/المتوسط/الانحراف المعياري لسرعة التدفقأحد عشر متغيراً للأوعية الدموية الدقيقة؛ دون اختيار مسبق للميزات.

الجدول 1: المتغيرات الكمية والمعالجة المسبقة. تم تجميع المتغيرات التنبؤية الـ 25 المحددة مسبقاً حسب مصدر الحصول عليها: العمر والجنس؛ التكلسات الدقيقة في وضع B-mode؛ التروية الوعائية داخل العقدة في دوبلر الملون؛ قياسات CEUS النوعية والكمية؛ وقياسات الأوعية الدقيقة في SRUS. تم استبعاد حقول الأسماء، ومعرفات التسجيل، وحجم الآفة. لم تكن هناك قيم مفقودة في مصفوفة المتغيرات الـ 25. استخدمت هوية المريض فقط لأغراض التجميع. تم تطبيق StandardScaler فقط ضمن طيات تدريب SVM. الاختصارات: CEUS = التصوير بالموجات فوق الصوتية المعزز بالتباين؛ SRUS = الموجات فوق الصوتية فائقة الدقة؛ SVM = آلة متجه الدعم.

مصدر الاكتسابالخاصيةالعقيدات الحميدةالعقيدات الخبيثةقيمة P
(n = 30)(n = 38)
البيانات الديموغرافيةالعمر، سنة48 (42, 55)48 (41, 52)0.551
البيانات الديموغرافيةالجنس، n (%)0.012
البيانات الديموغرافية  أنثى26 (86.7%)27 (71.1%)
البيانات الديموغرافية  ذكر4 (13.3%)11 (28.9%)
الموجات فوق الصوتية بنمط B (B-mode Ultrasound)
الموجات فوق الصوتية بنمط B (B-mode Ultrasound)التكلسات الدقيقة، n (%)0.001
الموجات فوق الصوتية بنمط B (B-mode Ultrasound)  غائبة12 (40.0%)2 (5.3%)
الموجات فوق الصوتية بنمط B (B-mode Ultrasound)  موجودة18 (60.0%)36 (94.7%)
دوبلر الملون (Color Doppler)تدفق الدم، n (%)0.1
دوبلر الملون (Color Doppler)  غائب7 (23.3%)8 (21.1%)
دوبلر الملون (Color Doppler)  موجود23 (76.7%)30 (78.9%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)التضخم بعد التباين، n (%)0.001
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  لا16 (53.3%)5 (13.2%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  نعم14 (46.7%)33 (86.8%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)تجانس التعزيز، n(%)0.087
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  غير متجانس11 (36.7%)23 (60.5%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  متجانس19 (63.3%)15 (39.5%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)نمط التعزيز، n (%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  نقص التعزيز (Hypoenhancement)18 (60.0%)20 (52.6%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  تعزيز متساوي (Isoenhancement)3 (10.0%)0 (0.0%)
التصوير بالموجات فوق الصوتية المعزز بالتباين النوعي (Qualitative CEUS)  فرط التعزيز (Hyperenhancement)9 (30.0%)18 (47.4%)
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)المساحة تحت المنحنى (AUC)، dB·s3255.49 (2457.15, 4048.94)3620.76 (3096.36, 4066.75)0.201
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)الشدة القصوى (PI)، dB48.93 (40.93, 55.78)50.22 (42.49, 56.82)0.621
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)وقت الوصول للذروة (TTP)، s17.78 (16.47, 19.30)20.42 (17.53, 23.47)0.045
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)وقت الوصول (AT)، s9.88 (8.23, 11.53)9.88 (8.64, 11.53)0.1
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)وقت الارتفاع (RT)، s8.43 (6.92, 9.55)9.55 (7.00, 12.11)0.164
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)متوسط وقت العبور (MTT)، s69.38 (60.17, 87.84)82.82 (64.22, 99.15)0.102
التصوير بالموجات فوق الصوتية المعزز بالتباين الكمي (Quantitative CEUS)الوقت للوصول لنصف شدة الذروة (THP)، s81.62 (70.53, 99.93)95.34 (73.60, 109.44)0.157
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقة
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةنسبة الأوعية، %56.29 (43.34, 71.44)57.81 (41.49, 70.24)0.772
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةمستوى التعقيد1.68 (1.59, 1.73)1.62 (1.57, 1.69)0.083
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةكثافة الأوعية الدقيقة—القصوى15.24 (10.59, 17.88)13.28 (9.60, 15.92)0.142
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةكثافة الأوعية الدقيقة—الدنيا0.07 (0.05, 0.07)0.06 (0.04, 0.07)0.385
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةكثافة الأوعية الدقيقة—المتوسطة6.20 (3.46, 7.45)4.71 (3.74, 6.78)0.161
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةكثافة الأوعية الدقيقة—الانحراف المعياري (SD)3.15 (2.12, 3.64)2.56 (1.94, 3.04)0.085
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةمؤشر التروية6.81 (4.53, 9.05)7.12 (4.52, 9.90)0.666
التصوير بالموجات فوق الصوتية بنمط SRUS للأوعية الدقيقةأقصى سرعة تدفق، mm/s25.13 (22.24, 26.43)26.32 (23.86, 28.00)0.152

الجدول 2: الخصائص الأساسية لـ 30 عقدة درقية حميدة و38 عقدة خبيثة. الخصائص الديموغرافية والتصويرية الأساسية للعقد الحميدة (n = 30) والعقد الخبيثة (n = 38). القيم هي n (%) أو الوسيط (المدى الربيعي). تم تعيين تسميات المرجع وفقاً للخزعة بالإبرة الدقيقة الموجهة بالموجات فوق الصوتية FNAC؛ ولم تكن نتائج الفحص النسيجي بعد الجراحة متاحة. الاختصارات: EUS = التصوير بالموجات فوق الصوتية المعزز بالتباين؛ SRUS = التصوير بالموجات فوق الصوتية فائقة الدقة.

المُصنفالدقةالحساسيةالنوعيةالدقةمقياس F1المساحة تحت منحنى خصائص تشغيل المستقبل (ROC-AUC)
الغابة العشوائيةالتحقق المتقاطع الطبقي المجموعاتي (StratifiedGroupKFold)0.548 ± 0.1760.573 ± 0.2970.572 ± 0.1050.603 ± 0.1390.555 ± 0.2040.633 ± 0.137
مجموعة "خارج العينة" المجمعة (pooled OOF) 0.5590.5530.5670.6180.5830.579
آلة المتجهات الداعمة (SVM)التحقق المتقاطع الطبقي للمجموعات (StratifiedGroupKFold validation)0.686 ± 0.1200.850 ± 0.1800.495 ± 0.2040.678 ± 0.1540.740 ± 0.1180.690 ± 0.164
مجموعة بيانات OOF المجمعة 0.6910.8420.50.6810.7530.655
شجرة القرارالتحقق باستخدام التقسيم الطبقي المجموعي المتقاطع (StratifiedGroupKFold)0.429 ± 0.0730.492 ± 0.2290.402 ± 0.2470.514 ± 0.1690.468 ± 0.1170.447 ± 0.073
مجموعات التنبؤ خارج العينة (pooled OOF) 0.4260.4740.3670.4860.480.42
XGBoostالتحقق المتقاطع الطبقي المجمعي (StratifiedGroupKFold)0.541 ± 0.1510.494 ± 0.1970.595 ± 0.1370.587 ± 0.2280.530 ± 0.2020.571 ± 0.163
تجميع نتائج التنبؤ خارج العينة (pooled OOF) 0.5440.50.60.6130.5510.594
تعزيز التدرجالتحقق باستخدام التقسيم الطبقي المجموعي لـ K-طيات (StratifiedGroupKFold)0.544 ± 0.0990.500 ± 0.0910.550 ± 0.2130.624 ± 0.0870.546 ± 0.0530.579 ± 0.124
مجموعة بيانات خارج العينة المجمعة (pooled OOF) 0.5440.50.60.6130.5510.555

الجدول 3: أداء التحقق المتقاطع خماسي الطيات المجمع حسب المريض وأداء التجميع خارج الطية (OOF). تم تعيين جميع العقد من المريض نفسه إلى نفس الطية. القيم تمثل المتوسط ± الانحراف المعياري عبر خمس طيات تحقق من نوع StratifiedGroupKFold. تم سحب 68 عقدة من 63 مجموعة مرضى؛ حيث احتوت كل طية على ما بين 12 إلى 5 عقد من 12 إلى 13 مجموعة مرضى. تستخدم كل قيمة مجمعة خارج الطية (OOF) تنبؤاً واحداً لكل عقدة تم إجراؤه في طية التحقق التي استثنت جميع العقد الخاصة بذلك المريض. يوضح الشكل 3 مصفوفات الارتباك المقابلة للتجميع خارج الطية (OOF). الاختصارات: OOF = خارج الطية؛ SVM = آلة المتجهات الداعمة.

التصنيفميزةمتوسط قيمة |SHAP|مضاعف الانحراف المعياري لمتوسط |SHAP|
1التكلسات الدقيقة0.03570.023
2التكبير بعد حقن المادة التباينية0.03310.0165
3تجانس التعزيز0.02070.008
4الجنس0.01940.0109
5الانحراف المعياري لسرعة التدفق0.01590.01
6تعني MVD (متوسط سرعة التدفق)0.01240.0086
7متوسط وقت العبور0.01180.0069
8الحد الأدنى لسرعة التدفق0.01070.0061
9نمط التعزيز0.01030.0112
10انحراف معياري لسرعة تدفق الدم في الأوعية الدقيقة (MVD SD)0.01020.0077

الجدول 4: ترتيب ميزات SHAP العالمية خارج الطية (OOF) لنموذج SVM. تقوم قيم SHAP بقياس المساهمات في احتمالية الخباثة لنموذج SVM. تم تفسير كل عقدة مرة واحدة في طية التحقق الخاصة بها والمجمعة حسب المرضى والمستبعدة من التدريب. تمثل القيم العالمية متوسط قيم SHAP المطلقة عبر 68 تفسيراً خارج الطية؛ بينما يمثل الانحراف المعياري (SD) للطية الانحراف المعياري للقيم المطلقة المتوسطة الخاصة بكل طية عبر خمس طيات. تعتبر الترتيبات ملخصات استكشافية خاصة بالنموذج وليست تأثيرات سببية، أو مؤشرات حيوية مستقلة، أو عتبات سريرية. الاختصارات: OOF = خارج الطية؛ SVM = آلة متجه الدعم؛ MVD = كثافة الأوعية الدقيقة؛ SHAP = تفسيرات شابل الإضافية.

المناقشة

تعتمد النهج التشخيصية الحالية للعقيدات الدرقية بشكل أساسي على الموجات فوق الصوتية التقليدية، والتي تظل بطبيعتها معتمدة على المشغل وعرضة للتفاوت بين الفاحصين5 وعدم القدرة على تصور الأوعية الدموية الدقيقة التي تقع تحت حد الحيود. وبناءً على معرفتنا، تعد دراستنا أول تقييم شامل لخوارزميات تعلم آلي متعددة مطبقة على بيانات تصوير الأوعية الدقيقة بالموجات فوق الصوتية فائقة الدقة (SRUS)، مما يحقق تقييماً كمياً موضوعياً لخطر الإصابة بـ PTC في العقيدات الدرقية في سياق بحثي.

تتمثل المساهمة الرئيسية لهذه الدراسة في تقديم إطار تحليلي على مستوى المريض يدمج قياسات SRUS القائمة على التوطين باستخدام الفقاعات الدقيقة المتباينة مع الموجات فوق الصوتية بوضع B-mode، ودوبلر الملون، وتصوير الموجات فوق الصوتية المعزز بالتباين (CEUS) النوعي والكمي، والمتغيرات السريرية لتصنيف عقيدات الغدة الدرقية. وتكمن الجدة في دمج معلومات الأوعية الدموية الدقيقة المقاسة تجريبياً ضمن مجموعة ميزات متعددة الأنماط محددة مسبقاً تتكون من 25 متغيراً، وتقييمها باستخدام تجميع المرضى المقاوم للتسريب، بدلاً من ابتكار بنية جديدة للمصنف. وقد تم الاحتفاظ بجميع العقيدات من المريض نفسه في طية واحدة؛ وتم ضبط مقياس SVM فقط لكل طية تدريب؛ واستخدم تقييم النموذج التحقق الخماسي الطيات المجمع حسب المرضى، وتوقعات OOF المجمعة، وتحليل SHAP المركز لبيانات OOF. وضمن هذا الإطار، حقق SVM أعلى متوسط دقة (0.686 ± 0.120) وأعلى متوسط ROC-AUC (0.690 ± 0.164)، ولكن خصوصية OOF المجمعة له كانت 0.500 فقط، وتفاوت الأداء عبر الطيات. وبشكل عام، تؤسس هذه النتائج لمنهجية قابلة للتكرار لتقييم بيانات الأوعية الدموية الدقيقة وبيانات الموجات فوق الصوتية التقليدية المجتمعة على مستوى المريض، مع تسليط الضوء أيضاً على الجوانب التي تتطلب مزيداً من التحسين قبل التطبيق السريري.

أثبتت أعمال سابقة على الغدة الدرقية جدوى استخدام التصوير بالموجات فوق الصوتية فائقة الدقة (SRUS) باستخدام الفقاعات الدقيقة المباينة، وأفادت بوجود اختلافات على مستوى المجموعة في التدفق الوعائي الدقيق ضمن مجموعة تجريبية مكونة من 24 عقدة26. وتوسع دراستنا إثبات جدوى التصوير هذا في ثلاثة جوانب محددة. أولاً، تم تحليل قياسات كثافة الأوعية الدموية وسرعة التدفق والتروية المشتقة من SRUS إلى جانب التكلسات الدقيقة في وضع B-mode، والأوعية الدموية داخل العقدية باستخدام Doppler الملون، وتصوير الموجات فوق الصوتية المعزز بالتباين (CEUS) النوعي والكمي، بالإضافة إلى العمر والجنس، بدلاً من إجراء مقارنة معزولة باستخدام SRUS. ثانياً، تم التعامل مع المريض كوحدة فصل خلال عمليات المعالجة المسبقة والتحقق، مما منع ظهور عقد من المريض نفسه في كل من بيانات التدريب وبيانات التحقق. ثالثاً، ربط إطار العمل نفسه المعتمد على تجميع المرضى بين أداء النموذج وتوقعات OOF المجمعة وتحليل SHAP المركّز لـ OOF. وتعمل هذه العناصر معاً على ربط عملية الاستحواذ، والتوصيف الكمي للأوعية الدموية الدقيقة، وتقييم النموذج، والتفسير في سير عمل واحد قابل للتكرار، مما يوفر أساساً يمكن للدراسات المستقبلية البناء عليه.

لقد حددنا عدداً من الدراسات الحديثة حول تطبيق الذكاء الاصطناعي والتعلم العميق في تشخيص عقيدات الغدة الدرقية الخبيثة. ومن المفيد تمييز نهجنا عن تلك الدراسات. فقد طوّر Feng وزملاؤه نموذجاً متعدد المراكز ومتعدد الوسائط لتقسيم مخاطر سرطان الغدة الدرقية الحليمي قبل الجراحة27، بينما قام Gatta وزملاؤه بتركيب نماذج تعلم آلي تم تقييمها خارجياً للتشخيص التفريقي بين الحالات الحميدة والخبيثة بناءً على صور الموجات فوق الصوتية التقليدية للغدة الدرقية28. وطبق Li وزملاؤه تقنية دقة الصورة الفائقة الحاسوبية لصورة واحدة على الموجات فوق الصوتية التقليدية لتحديد موقع العقيدة29، واستخدم He وزملاؤه الراديوميكس لنمط B-mode المعزز بشبكات GAN للتنبؤ بنتائج الخزعة بالإبرة الدقيقة (FNA) غير التشخيصية (Bethesda I)30. كما توضح النهج القائمة على إدراك الهندسة، والتعلم الانتقالي، ومحولات Transformer التنوع الخوارزمي في أبحاث الموجات فوق الصوتية للغدة الدرقية31. وتستخدم تلك الدراسات صور الموجات فوق الصوتية التقليدية، أو متغيرات سريرية أو تصويرية متعددة الوسائط، أو تمثيلات صور محسنة حاسوبياً؛ وهي لا تحدد موقع الفقاعات الدقيقة المباينة المحقونة أو تقيس بشكل مباشر كثافة الأوعية الدقيقة وتدفقها على مستوى الآفة. وطبق Habchi وزملاؤه إطار عمل للتعلم الانتقالي يعتمد على VGG19 على صور الموجات فوق الصوتية التقليدية للغدة الدرقية وأبلغوا عن دقة تصنيف عالية في مجموعة بيانات عامة32. ورغم أن عملهم أظهر إمكانات التعلم العميق في هذا المجال، إلا أنه اعتمد حصرياً على ميزات صور B-mode.

وعلى سبيل المقارنة، فإن المساهمة النوعية هنا تكمن في استخدام تقنية SRUS القائمة على التحديد الموضعي للحصول على متغيرات الأوعية الدموية الدقيقة المقاسة تجريبياً، ودمجها مع ميزات الموجات فوق الصوتية التقليدية وتصوير الموجات فوق الصوتية المعزز بالتباين (CEUS)، وتقييمها وفقاً لمجموعات المرضى. وتظل الدراسات المذكورة تكميلية وليست مقارنات مباشرة للأداء لأن مدخلاتها ونقاط النهاية والمعايير المرجعية وتصاميم التحقق منها تختلف، ونحن نعتبر هذا التكامل نقطة قوة، حيث يشير إلى وجود مسارات مستقلة متعددة نحو تحسين تصنيف المخاطر. ومن الجدير بالذكر أن نتائجنا تكمل أيضاً النهج القائمة على التعلم العميق، مثل إطار عمل تحويل Bandelet المدرك للهندسة الذي قدمه Habchi وزملاؤه31 ومعايير التعلم بنقل المعرفة التي قدمها Xu وزملاؤه، والتي تركز على تصنيف صور B-mode التقليدية بدلاً من المؤشرات الحيوية للديناميكا الدموية الكمية33—وهي أنماط إدخال مختلفة جذرياً تلتقط جوانب متميزة من بيولوجيا الورم.

تشير نتائجنا إلى وجود فروق ذات دلالة إحصائية في أداء مصنفي التقييم الخمسة. حقق SVM أفضل أداء من حيث متوسط الدقة (0.686 ± 0.120) ومساحة منحنى خصائص التشغيل للمستقبل (ROC-AUC) بنسبة (0.690 ± 0.164)، كما سجل أقل انحراف معياري في التحقق المتقاطع، مما يثبت أداءه القوي في المهام ذات العينات الصغيرة. وأكد التحقق المجمّع خارج العينة (Pooled OOF) أن حساسية SVM بلغت 84.2% (حيث تم تحديد 32 من أصل 38 عقدة خبيثة بشكل صحيح)، وكانت درجة F1 الخاصة به 0.753، وهي الأعلى بين جميع النماذج. وهذه القدرة العالية على الكشف لها قيمة كبيرة في الممارسة السريرية، حيث يمكن أن يؤدي التشخيص الخاطئ أو الفائت إلى عواقب وخيمة. ومع ذلك، بلغت النوعية 50.0% فقط (حيث تم تصنيف 15 من أصل 30 عقدة حميدة بشكل خاطئ)، وهو نمط يستوجب التفسير الدقيق. ومن المرجح أن هذه النوعية المتواضعة تعكس الطبيعة عالية الأبعاد لمجموعة البيانات لدينا (25 متنبئاً مقابل 30 عينة حميدة). ففي مثل هذه المساحة المتميزة من الخصائص، يتأثر حد قرار SVM بشكل غير متناسب ببعض العقد الحميدة التي تمتلك خصائص وعائية دقيقة شبيهة بالخبيثة، مما يضطر المصنف إلى اعتماد استراتيجية تحفظية —عن طريق تصنيف الحالات الغامضة كخبيثة— لتقليل النتائج السلبية الكاذبة. ومن منظور سريري، فإن هذه المقايضة مقبولة في سيناريوهات الفحص، حيث أن عواقب عدم تشخيص سرطان الغدة الدرقية الحليمي (PTC) يمكن أن تكون أخطر بكثير من عواقب إجراء خزعة بالإبرة الدقيقة (FNAC) غير ضرورية. وفي الأبحاث المستقبلية، يفضل إعطاء الأولوية لمجموعة عينات أكبر، خاصة من خلال إضافة المزيد من العينات الحميدة، ومحاولة تطبيق التعلم الحساس للتكلفة أو طرق تقليل الأبعاد مرة أخرى للحفاظ على الحساسية مع تحسين النوعية.

تظهر الغابة العشوائية (RF) متوسط دقة (0.548 ± 0.176)، وهو أقل من آلة ناقلات الدعم (SVM). ومع ذلك، أظهرت RF أداءً متوازناً ومجمعاً خارج العينة (OOF) (الدقة 55.9%، الحساسية 55.3%، والخصوصية 56.7%)، وهو أمر قيم لأنظمة دعم القرار السريري. وقد صنفت أهمية المتغيرات بناءً على الشوائب كلاً من متوسط MVD، ومتوسط سرعة التدفق، ومؤشر التروية ضمن المتغيرات الرائدة، مما يشير إلى إشارة SRUS ذات دلالة. أما XGBoost والتعزيز المتدرج (Gradient Boosting) فقد قدما أداءً متوسطاً؛ حيث لم يتفوق أي منهما على RF، ويرجح أن يكون ذلك بسبب الحساسية للمعلمات الفائقة نظراً لمحدودية حجم العينة (n = 68) والتنظيم التحفظي. بينما كان أداء شجرة القرار (DT) ضعيفاً (الدقة 0.429، وROC-AUC 0.447)، وهو ما يقترب من التخمين العشوائي؛ وهو أمر متوقع نظراً للإفراط في ملاءمة الشجرة الواحدة. وباختصار، يُفضل استخدام SVM عندما تكون الأولوية لزيادة الحساسية إلى أقصى حد، بينما توفر RF مزايا من حيث توازن الأداء وقابلية التفسير؛ وكلاهما يتطلبان مزيداً من الاستقصاء.

حدد تحليل SHAP المركز أن التكلس الدقيق، والتضخم بعد التباين، وتجانس التعزيز هي العوامل التنبؤية الثلاثة الأولى، تليها الجنس ومعلمات SRUS، بما في ذلك الانحراف المعياري لسرعة تدفق الدم، ومتوسط MVD، ومتوسط وقت الانتقال. تهيمن الميزات التقليدية، ولكن توفر معلمات SRUS معلومات إضافية مستقلة. وتتسق أهمية مؤشرات SRUS مع مزاياها الفيزيائية؛ حيث يمكن لـ SRUS تحقيق دقة تصل إلى ~10 µm، بينما تقتصر دقة Doppler التقليدية على ~200–300µm. وقد أكد Zhang et al. أن العقد الخبيثة تتميز بسرعة تدفق أقل (9.86 مقابل 16.76 mm/s، p < 0.01) وMVD19، مما يعكس البيولوجيا الليفية والليمفاوية السائدة في PTC. إن نتائج SHAP الخاصة بنا معقولة بيولوجياً، كما أن التطابق مع معايير TI-RADS يدعم تعلم الأنماط ذات الدلالة السريرية8.

إن لتصنيف المخاطر الدقيق تداعيات كبيرة على رعاية المرضى واتخاذ القرارات السريرية. فإذا أمكن تحديد العُقيدات عالية المخاطر من خلال تحليل تعلم الآلة (ML) لصور الموجات فوق الصوتية الشعاعية (SRUS)، فقد يتلقى المرضى إجراء الخزعة بالإبرة الدقيقة (FNAC) في وقت أكثر ملاءمة، مما يقلل من القلق ويمنع تطور السرطان. وفي المقابل، قد تخضع العُقيدات المختارة ذات المخاطر المنخفضة للمراقبة بواسطة الموجات فوق الصوتية. وقد تكمل القياسات الكمية للأوعية الدموية الدقيقة الملاحظات التقليدية في هذه العملية في نهاية المطاف. ومع ذلك، لم تختبر الدراسة الحالية ما إذا كانت مخرجات المصنف تعمل على تحسين أداء الأطباء، أو تقليل إجراءات الخزعة بالإبرة الدقيقة غير الضرورية، أو تغيير نتائج المرضى. لذا، لا ينبغي أن توجه مخرجات النموذج القرارات السريرية بعد. بل يجب النظر إليها كأدوات ذات مستوى بحثي تثبت مبدأ العمل وتوفر أساساً للتقييم الاستشرافي. وأثناء التحليل، يجب أن تظل جميع العُقيدات الخاصة بمريض واحد في نفس الطية (fold)، كما يجب ضبط المعالجة المسبقة باستخدام جزء التدريب من تلك الطية فقط.

يجب مراعاة العديد من المحدوديات. أولاً، كانت هذه دراسة استرجاعية أجريت في مركز واحد شملت 68 عقدة من 63 مريضاً، دون التحقق الخارجي؛ وقد يؤدي صغر حجم العينة إلى زيادة خطر الإفراط في التخصيص (overfitting). ومع ذلك، فإن التحقق المتقاطع المجمع حسب المرضى يوفر بعض الطمأنينة. ثانياً، تم اشتقاق جميع التصنيفات المرجعية من الخزعة بالإبرة الدقيقة بتوجيه الموجات فوق الصوتية (FNAC) بدلاً من الفحص النسيجي المرضي بعد الجراحة. توفر FNAC دليلاً خلوياً ولكنها لا تعادل التأكيد النسيجي بعد الجراحة وقد تؤدي إلى حدوث خطأ في التصنيف، خاصة بين العقد المصنفة على أنها حميدة، على الرغم من أننا قيدنا نطاق العقد الحميدة وأجرينا اختبار جين BRAFV600E على جميع العقد. ثالثاً، اقتصرت المجموعة الخبيثة على العقد التي تم الإبلاغ عنها كسرطان الغدة الدرقية الحليمي (PTC) في FNAC، مما يحد من إمكانية تعميم النتائج على أورام الغدة الدرقية الخبيثة الأخرى. رابعاً، لم يتم تسجيل العوامل السريرية الإضافية (وظائف الغدة الدرقية، التاريخ العائلي) بشكل منهجي. وأخيراً، لم يتم إجراء أي تحسين منهجي للمعلمات الفائقة (hyperparameter optimization)، أو تحليل للمعايرة، أو مقارنة مستقلة قائمة على الصور باستخدام التعلم العميق. وبالرغم من هذه المحدوديات، فإن اتساق نتائجنا مع المعقولية البيولوجية والأدبيات الحالية يمنح الثقة في صحتها. يجب أن تعطي الأبحاث المستقبلية الأولوية لـ: (1) التحقق الاستشرافي متعدد المراكز في مجموعات أكبر مع إجراء الفحص النسيجي المرضي بعد الجراحة؛ (2) الدم متعدد الوسائط الذي يدمج SRUS مع التصوير المروني والموجات فوق الصوتية التقليدية، (3) المؤشرات الحيوية المصلية، وبروتوكولات الحصول على الصور الموحدة، ومعايير مراقبة الجودة34، وتحسين هندسة الميزات.

وفي الختام، تُثبت هذه الدراسة جدوى تطبيق خوارزميات التعلم الآلي التقليدية على قياسات الأوعية الدقيقة الكمية باستخدام تقنية SRUS لدعم التصنيف الاستكشافي لعقيدات الغدة الدرقية. وقد أظهر نموذج SVM حساسية عالية ولكن نوعية محدودة، مما يدعم دوره المحتمل كوسيلة مساعدة للفحص بدلاً من أن يكون بديلاً تشخيصياً. ورغم أن هذه النتائج أولية، إلا أنها تؤسس لمسار تقييم قابل للتكرار ومقاوم للتسريب، وتستوجب إجراء تحقق مستقبلي في مجموعات أكبر من المرضى.

الإفصاحات

يصرح المؤلفون بعدم وجود أي تضارب في المصالح.

شكر وتقدير

يتوجه المؤلفون بالشكر إلى طاقم قسم الموجات فوق الصوتية في مستشفى بكين للصداقة، جامعة العاصمة الطبية، لمساعدتهم في جمع بيانات المرضى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مصنف شجرة القرارscikit-learnالإصدار 1.5.2مصنف تعلم الآلة
إبرة خزعة الشفط بالإبرة الرفيعةتُستخدم في سحب الخلايا بالإبرة الدقيقة الموجه بالموجات فوق الصوتية
مصنف تعزيز التدرجscikit-learnالإصدار 1.5.2مصنف تعلم الآلة
قسطرة وريديةتُستخدم لإعطاء المادة المباينة
بايثونمؤسسة برمجيات بايثون (Python Software Foundation)الإصدار 3.11.9لغة البرمجة المستخدمة في تحليل التعلم الآلي
مصنف الغابة العشوائيةscikit-learnالإصدار 1.5.2مصنف التعلم الآلي
SHAP (شارح التبديل)مطورو SHAPالإصدار 0.46.0تحليل قابلية تفسير النموذج
عامل التباين SonoVueBraccoعامل تباين بالموجات فوق الصوتية لتصوير CEUS/SRUS
المقياس المعياري (StandardScaler)scikit-learnالإصدار 1.5.2توحيد الميزات لمسار عمل آلة متجه الدعم (SVM)
محلول ملحي طبيعي معقميُستخدم لغسل الوريد بعد حقن المادة الظليلة
التحقق المتقاطع للمجموعات الطبقية (StratifiedGroupKFold)scikit-learnالإصدار 1.5.2التحقق المتقاطع المجمع حسب المريض
مصنف آلة المتجهات الداعمة (SVM)scikit-learnالإصدار 1.5.2مصنف نواة دالة الأساس الشعاعي
محول طاقة ذو مصفوفة خطية U5-15LEتقنية ڤينو (VINNO Technology)U5-15LEمسبار الموجات فوق الصوتية الخطي
نظام الموجات فوق الصوتية ULTIMUS 9Eتقنية VINNOULTIMUS 9Eنظام تصوير بالموجات فوق الصوتية يُستخدم للتصوير بنمط B، ودوبلر الملون، والتصوير بالموجات فوق الصوتية المعزز بالتباين (CEUS)، والتصوير بالموجات فوق الصوتية ذات التتابع السريع (SRUS).
XGBoostمُطوّرو XGBoostالإصدار 2.1.1إطار عمل تعزيز التدرج

المراجع

  1. Mu C, et al. Mapping global epidemiology of thyroid nodules among general population: a systematic review and meta-analysis. Front Oncol. 2022;12:1029926.
  2. Moon JH, et al. Prevalence of thyroid nodules and their associated clinical parameters: a large-scale, multicenter-based health checkup study. Korean J Intern Med. 2018;33(4):753-62.
  3. Dean DS, Gharib H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab. 2008;22(6):901-11.
  4. Uppal N, Collins R, James B. Thyroid nodules: global, economic, and personal burdens. Front Endocrinol (Lausanne). 2023;14:1113977.
  5. Durante C, et al. The diagnosis and management of thyroid nodules: a review. JAMA. 2018;319(9):914-24.
  6. Lim H, Devesa SS, Sosa JA, Check D, Kitahara CM. Trends in thyroid cancer incidence and mortality in the United States, 1974-2013. JAMA. 2017;317(13):1338-48.
  7. Gharib H, et al. American Association of Clinical Endocrinologists, American College of Endocrinology, and Associazione Medici Endocrinologi medical guidelines for clinical practice for the diagnosis and management of thyroid nodules—2016 update. Endocr Pract. 2016;22(5):622-39.
  8. Tessler FN, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): white paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017;14(5):587-95.
  9. Petranović Ovčariček P, et al. The 2025 ATA guidelines for differentiated thyroid cancer—ten years of professional debate and measured progress. Eur J Nucl Med Mol Imaging. 2026;53(4):2213-6.
  10. Christensen-Jeffries K, et al. Super-resolution ultrasound imaging. Ultrasound Med Biol. 2020;46(4):865-91.
  11. Carmeliet P. Angiogenesis in health and disease. Nat Med. 2003;9(6):653-60.
  12. Zhang B, et al. Utility of contrast-enhanced ultrasound for evaluation of thyroid nodules. Thyroid. 2010;20(1):51-7.
  13. Rago T, Vitti P. Role of thyroid ultrasound in the diagnostic evaluation of thyroid nodules. Best Pract Res Clin Endocrinol Metab. 2008;22(6):913-28.
  14. Xia S, et al. Super-resolution ultrasound and microvasculomics: a consensus statement. Eur Radiol. 2024;34(11):7503-13.
  15. Song P, Rubin JM, Lowerison MR. Super-resolution ultrasound microvascular imaging: is it ready for clinical use? Z Med Phys. 2023;33(3):309-23.
  16. Errico C, et al. Ultrafast ultrasound localization microscopy for deep super-resolution vascular imaging. Nature. 2015;527(7579):499-502.
  17. Couture O, Hingot V, Heiles B, Muleki-Seya P, Tanter M. Ultrasound localization microscopy and super-resolution: a state of the art. IEEE Trans Ultrason Ferroelectr Freq Control. 2018;65(8):1304-20.
  18. Gao JY, Hou C. Progresses and clinical application of super-resolution ultrasound imaging: a narrative review. Ultrasound J. 2025;17(1):29.
  19. Zhang G, et al. Ultrasound super-resolution imaging for the differential diagnosis of thyroid nodules: a pilot study. Front Oncol. 2022;12:978164.
  20. Wildman-Tobriner B, et al. Using artificial intelligence to revise ACR TI-RADS risk stratification of thyroid nodules: diagnostic accuracy and utility. Radiology. 2019;292(1):112-9.
  21. Toro-Tobon D, et al. Artificial intelligence in thyroidology: a narrative review of the current applications, associated challenges, and future directions. Thyroid. 2023;33(8):903-17.
  22. Peng S, et al. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. Lancet Digit Health. 2021;3(4):e250-9.
  23. Chen C, et al. Deep learning to assist composition classification and thyroid solid nodule diagnosis: a multicenter diagnostic study. Eur Radiol. 2024;34(4):2323-33.
  24. Bini F, et al. Artificial intelligence in thyroid field: a comprehensive review. Cancers (Basel). 2021;13(19):4740.
  25. Habchi Y, Kheddar H, Himeur Y, Ghanem MC. Machine learning and transformers for thyroid carcinoma diagnosis. J Vis Commun Image Represent. 2026;115:104668.
  26. Zhang M, Wang X, Deng Y, Tang K. Multimodal ultrasound integration pathways and paradigm innovations in precision diagnosis and treatment of thyroid cancer. Acad Radiol. 2026. Epub ahead of print.
  27. Feng JW, et al. Development and validation of the multidimensional machine learning model for preoperative risk stratification in papillary thyroid carcinoma: a multicenter, retrospective cohort study. Cancer Imaging. 2025;25(1):98.
  28. Gatta E, et al. Machine learning for diagnosis of malignant thyroid nodules based on thyroid ultrasound: systematic review and meta-analysis of studies with external datasets. Eur J Radiol Open. 2026;16:100716.
  29. Li J, Guo Q, Peng S, Tan X. Super-resolution based nodule localization in thyroid ultrasound images through deep learning. Curr Med Imaging. 2024;20(1):e15734056269264.
  30. He S, et al. Super-resolution ultrasound radiomics for pre-FNA prediction of nondiagnostic (Bethesda I) thyroid nodules. Front Endocrinol (Lausanne). 2026;17:1710097.
  31. Habchi Y, Kheddar H, Ghanem MC, Hwaidi J. Adaptive bandelet transform and transfer learning for geometry-aware thyroid cancer ultrasound classification. Diagnostics (Basel). 2026;16(4):554.
  32. Habchi Y, Kheddar H, Himeur Y. Adaptive bandelet transform and transfer learning for geometry-aware thyroid cancer ultrasound classification [conference paper]. In: 2024 International Conference on Telecommunications and Intelligent Systems (ICTIS). IEEE; 2024. p. 1-6.
  33. Xu Y, Xu M, Geng Z, Liu J, Meng B. Thyroid nodule classification in ultrasound imaging using deep transfer learning. BMC Cancer. 2025;25(1):544.
  34. Gou TH, et al. Application value of super-resolution ultrasound imaging in the diagnosis of American College of Radiology Thyroid Imaging Reporting and Data System category 4 and 5 thyroid nodules. Zhongguo Yi Xue Ke Xue Yuan Xue Bao. 2026. doi:10.3881/j.issn.1000-503X.16808.

إعادة الطباعة والأذونات

الوسوم

SHAP
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.