يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

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

211 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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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 عن...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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 ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

استكشف المزيد من المقالات

تصنيف عُقيدات الغدة الدرقيةخوارزميات تعلم الآلةالتصوير بالموجات فوق الصوتية المعزز بالتباينسمات الموجات فوق الصوتية الكميةسرطان الغدة الدرقية الحليميتحليل SHAPالغابة العشوائيةآلة ناقلات الدعمالتحقق المتقاطع خماسي الطيات
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

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