Diese Studie verglich fünf Algorithmen des maschinellen Lernens zur Klassifizierung von Schilddrüsenknoten anhand von Ultraschallmerkmalen mit verbesserter Auflösung. Das SVM-Verfahren zeigte die beste Leistung (Genauigkeit 68,6 %, Fläche unter der Kurve 0,690) und identifizierte Mikroverkalkungen sowie eine Vergrößerung nach Kontrastmittelgabe als wesentliche Beiträge; die Ergebnisse bedürfen jedoch einer externen Validierung, bevor sie klinisch angewendet werden können.
Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Forschungsartikel
Quantitative superauflösende Ultraschall-Mikrovaskularisationsmerkmale für die auf maschinellem Lernen basierende Klassifizierung von Schilddrüsenknoten
210 Aufrufe
⸱
11. September 2026
* These authors contributed equally
In diesem Artikel
Zusammenfassung
Zusammenfassung
Diese Studie verglich fünf maschinelle Lernalgorithmen – Random Forest (RF), Support Vector Machine (SVM), Entscheidungsbaum (DT), eXtreme Gradient Boosting (XGBoost) und Gradient Boosting (GB) – zur Klassifizierung von Schilddrüsenknoten anhand quantitativer Merkmale aus konventionellem Ultraschall, kontrastverstärktem Ultraschall (CEUS) und Super-Resolution-Ultraschall (SRUS). Die retrospektive Studie umfasste 68 Schilddrüsenknoten von 63 Patienten (30 gutartige und 38 als papilläres Schilddrüsenkarzinom [PTC] bestätigte) und wurde anhand von 25 quantitativen Merkmalen mittels fünffacher, patientengruppierter Kreuzvalidierung analysiert, wobei sichergestellt wurde, dass alle Knoten desselben Patienten derselben Teilgruppe zugeordnet wurden. Die Modellleistung wurde über alle Teilgruppen hinweg sowie anhand zusammengeführter Out-of-Fold- (OOF-)Vorhersagen zusammengefasst, und für das leistungsstärkste SVM-Modell wurde eine fokussierte OOF-SHAP-Analyse (SHapley Additive exPlanations) mithilfe eines permutationsbasierten Erklärs durchgeführt. Die SVM erzielte die höchste mittlere Genauigkeit (0,686 ± 0,120) und den höchsten mittleren Wert unter der ROC-Kurve (ROC-AUC) (0,690 ± 0,164) sowie eine gepoolte OOF-Sensitivität von 0,842 und eine Spezifität von 0,500; Mikroverkalkungen und postkontrastliche Vergrößerung erwiesen sich als die bedeutendsten, modellspezifischen SHAP-Beiträge. RF zeigte eine ausgewogene Leistung (Genauigkeit 55,9 %, Sensitivität 55,3 %, Spezifität 56,7 %), während DT schlecht abschnitt (Genauigkeit 0,429, ROC-AUC 0,447) und zufälligem Raten nahekam. Die Studie zeigte, dass quantitative SRUS-Messungen in konventionelle Klassifikatoren integriert werden können; die Ergebnisse bleiben jedoch vorläufig und erfordern eine prospektive, multizentrische Validierung mit größeren Kohorten, bevor eine klinische Anwendung möglich ist.
Einleitung
Schilddrüsenknoten stellen eine äußerst häufige klinische Befundung dar, wobei die Nachweisraten bei sonographischer Untersuchung in asymptomatischen Populationen bis zu 68 % betragen1. Neuere Metaanalysen haben gezeigt, dass die weltweite Prävalenz von Schilddrüsenknoten von 21,53 % in den Jahren 2000–2011 auf 29,29 % in den Jahren 2012–2022 angestiegen ist, was etwa einer von vier Personen in der Allgemeinbevölkerung betrifft2,3. Unter diesen Knoten werden letztendlich 7–15 % als Schilddrüsenkarzinom diagnostiziert, wobei das papilläre Schilddrüsenkarzinom (PTC) den vorherrschenden Subtyp darstellt4,5. Das PTC macht 80–90 % aller Schilddrüsenmalignome aus und hat sich zu einer der am schnellsten zunehmenden Krebsarten entwickelt; die Inzidenzraten stiegen zwischen 1975 und 2012 von 4,8 auf 14,9 pro 100.0006.
Die konventionelle Ultraschalluntersuchung bleibt die Grundlage zur Beurteilung von Schilddrüsenknoten und bietet ein nicht-invasives, kostengünstiges und weit verbreitet verfügbares diagnostisches Verfahren7. Zu den klassischen sonographischen Merkmalen, die auf eine Malignität hindeuten, gehören ausgeprägte Hypoechoizität, unregelmäßige Ränder, Mikroverkalkungen und eine höhere als breite Form8,9. Allerdings ist sie grundlegend durch die akustische Beugungsgrenze begrenzt, welche die räumliche Auflösung auf etwa 100 Mikrometer beschränkt10. Diese Einschränkung beeinträchtigt erheblich die Fähigkeit, die Mikrogefäße sichtbar zu machen und die feine Gefäßmorphologie zu beurteilen, was entscheidende Parameter zur Unterscheidung zwischen benignen und malignen Schilddrüsenläsionen darstellen11. Die Farbdoppler-Flussbildgebung (CDFI) und die kontrastverstärkte Ultraschalluntersuchung (CEUS) verbessern zwar die Detektion von Blutfluss, können jedoch lediglich Gefäße mit Flussgeschwindigkeiten über 1 cm/s darstellen und bleiben durch die beugungsbegrenzte Auflösung eingeschränkt12,13.
Die Super-Resolution-Ultraschallbildgebung (SRUS) ist als transformative Technologie in der Lage, die traditionelle Beugungsgrenze herkömmlicher Ultraschallsysteme zu überwinden14,15. Indem kontrastverstärkende Mikrobläschen als punktförmige Zielstrukturen zur Lokalisierung und Verfolgung genutzt werden, erreicht die SRUS eine räumliche Auflösung im Mikrometerbereich und ermöglicht so die Visualisierung und Quantifizierung der Mikrozirkulation mit bislang unerreichter Detailgenauigkeit16,17. Mit dieser Methode lassen sich sowohl die mikrovaskuläre Dichte (MVD) als auch die mikrovaskuläre Flussrate (MFR) messen und damit strukturelle und funktionelle Bewertungen vornehmen, die mit nichtinvasiven bildgebenden Verfahren bisher nicht möglich waren17,18. Pilotstudien haben gezeigt, dass gutartige Schilddrüsenknoten eine signifikant höhere MFR aufweisen als maligne Knoten, mit mittleren Werten von 16,76 ± 6,82 mm/s beziehungsweise 9,86 ± 4,54 mm/s19. Die Einführung des Begriffs „Ultraschall-Mikrovaskulomik“ – einer hochdurchsatzfähigen Extraktion quantitativer Merkmale aus SRUS-Bildern – erweitert das Potenzial für präzise und personalisierte mikrovaskuläre Analysen weiter.
Maschinelles Lernen (ML) hat die Analyse medizinischer Bilder revolutioniert, insbesondere bei der Charakterisierung von Schilddrüsenknoten20,21. Tiefere Lernmodelle, insbesondere faltende neuronale Netze (CNNs), erreichten in früheren Studien Werte der Fläche unter der ROC-Kurve (ROC-AUC), die 0,90 überstiegen22,23,24. Ensemble-Methoden des maschinellen Lernens, die mehrere Algorithmen kombinieren – darunter Random Forest (RF), Support Vector Machines (SVM), Entscheidungsbäume (DT), Gradient Boosting (GB) und eXtreme Gradient Boosting (XGBoost) –, haben sich als vielversprechend erwiesen, um die diagnostische Genauigkeit und Robustheit über heterogene Datensätze hinweg zu verbessern21. Wie Habchi et al.25 kürzlich umfassend zusammenfassten, hat sich das Feld der künstlichen Intelligenz (KI) für Schilddrüsenkrebs rasch erweitert und umfasst nun visuelle Konverter, große Sprachmodelle und hybride Architekturen, was die Entwicklung hin zu zunehmend komplexen, bildbasierten diagnostischen Systemen widerspiegelt.
Während herkömmliche Ultraschallmerkmale in Verbindung mit KI-Algorithmen bereits umfassend untersucht wurden, bleibt die Kombination von Mikrozirkulationsparametern der Super-Resolution-Bildgebung mit ML-Modellen weitgehend unerforscht. Trotz des vielversprechenden Potenzials der SRUS-Technologie und der nachgewiesenen Wirksamkeit von maschinellen Lernalgorithmen in der medizinischen Bildgebung sind mehrere entscheidende Fragen offen. Erstens: Welche Architektur des maschinellen Lernens – ob traditionelle Algorithmen wie RF und SVM oder fortschrittliche Ensemble-Methoden wie XGBoost und GB – erzielt die beste Leistung bei der Anwendung auf aus der SRUS abgeleitete mikrovaskuläre Merkmale? Zweitens: Wie unterscheiden sich diese Modelle hinsichtlich Sensitivität, Spezifität und Gesamtdiagnosegenauigkeit bei der Differenzierung benigner von malignen Schilddrüsenknoten? Drittens: Welche aus der SRUS-Bildgebung extrahierten mikrovaskulären Parameter tragen am stärksten zur Klassifizierungsleistung bei? Die Beantwortung dieser Fragen ist entscheidend, um evidenzbasierte Rahmenbedingungen für die klinische Anwendung der SRUS-unterstützten Diagnose von Schilddrüsenknoten zu etablieren.
Dementsprechend zielt diese Studie darauf ab, die Leistungsfähigkeit von fünf ML-Algorithmen (RF, SVM, DT, XGBoost und GB) zur Klassifizierung von Schilddrüsenknoten anhand von Super-Resolution-Ultraschall-Mikrogefäßerfassungsdaten umfassend zu bewerten. Durch den systematischen Vergleich dieser Ansätze und die Identifizierung der informativsten mikrovaskulären Biomarker soll diese Untersuchung das diagnostische Vorgehen bei der Charakterisierung von Schilddrüsenknoten voranbringen und zur wachsenden Evidenzbasis beitragen, die die klinische Nützlichkeit der SRUS-Technologie in der onkologischen Bildgebung unterstützt. Wir vermuteten, dass der vorgegebenen Merkmalsdatensatz mit 25 Variablen eine überzufällige Unterscheidung zwischen benignen Knoten und als papilläres Schilddrüsenkarzinom eingestuften Knoten ermöglichen würde. Zur Verringerung von Informationslecks wurde eine patientengruppierte Kreuzvalidierung angewandt, und eine fokussierte SHAP-Analyse wurde hinzugefügt, um darzustellen, wie der ausgewählte Klassifikator die gemessenen Variablen nutzte. Beide Analysen waren explorativ.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Protokoll
Studiendesign und Patientenpopulation
Diese retrospektive Studie analysierte Schilddrüsen-Ultraschalluntersuchungen, die zwischen dem 13. Juni 2024 und dem 13. Januar 2025 durchgeführt wurden. Das Studienprotokoll wurde von dem Ethikkomitee des Beijing Friendship Hospital, Capital Medical University (Genehmigungsnummer BFHHZS20240300) genehmigt und gemäß den ethischen Grundsätzen der Deklaration von Helsinki durchgeführt; die informierte Einwilligung wurde aufgrund des retrospektiven Studiendesigns nicht eingeholt. Der Datensatz umfasste 68 Schilddrüsenknoten von 63 Patienten (30 gutartige und 38 bösartige), wobei der Knoten die Analyseeinheit darstellte. Die Referenzdiagnosen basierten auf der ultraschallgesteuerten Feinnadelaspirationszytologie (FNAC). Die Gruppe der malignen Knoten bestand aus 38 Knoten, die in der FNAC als papilläres Schilddrüsenkarzinom klassifiziert wurden.
Einschlusskriterien
Zur Eignung kamen Patienten, die alle folgenden Kriterien erfüllten: (1) hatten eine konventionelle Graustufen- und Farbdoppler-Sonographie sowie eine Kontrastmittel-Ultraschalluntersuchung (CEUS) mit zufriedenstellender Bildqualität durchlaufen, die eine anschließende Analyse der mikrovaskulären Durchblutung ermöglichte; (2) verfügten über eine zytopathologische Diagnose eines PTC, die durch eine Feinnadelaspirationsbiopsie bestätigt wurde, mit oder ohne gleichzeitigen positiven Nachweis einer BRAFV600E-Mutation; oder wiesen ein zytologisches Ergebnis der Bethesda-Kategorie III (Atypie unbestimmter Signifikanz) auf, jedoch mit gleichzeitigem positiven Nachweis einer BRAFV600E-Mutation; (3) hatten eine zytopathologische Diagnose eines benignen proliferativen Knotens, adenomatösen Knotens oder benignen follikulären Knotens gemäß Bethesda-Kategorie II ohne gleichzeitigen positiven Nachweis einer BRAFV600E-Mutation.
Ausschlusskriterien
Patienten wurden aus der Studie ausgeschlossen, wenn eine der folgenden Bedingungen vorlag: (1) CEUS-Bilder von schlechter Qualität oder unzureichendes Mikrobläschen-Signal, das eine zuverlässige Beurteilung des mikrovaskulären Flusses ausschloss; (2) Fehlen zytologischer oder pathologischer Ergebnisse; (3) histopathologische Diagnose eines seltenen oder speziellen Subtyps von Schilddrüsenkarzinom (z. B. anaplastische Varianten); oder (4) zytologische Befunde, die auf ein follikuläres Neoplasma (Bethesda-Kategorie IV) oder eine Läsion unbestimmten follikulären Ursprungs hindeuteten, unabhängig vom Mutationsstatus; (5) Hashimoto-Thyreoiditis
Sonographie, CEUS und SRUS-Aufnahme
Alle Untersuchungen wurden mit dem referenzierten Ultraschallsystem und einem Linearschallkopf durchgeführt. Die Patienten lagen in Rückenlage mit überstrecktem Hals. Der Zielknoten wurde im B-Modus-Ultraschall lokalisiert und vermessen; Mikroverkalkungen wurden dokumentiert, und derselbe lesionszentrierte Bildgebungsschnitt wurde verwendet, um die intranoduläre Gefäßversorgung mit Farbdoppler zu beurteilen.
Nachdem ein intravenöser Zugang gelegt worden war, wurde das System auf einen CEUS/URM-Modus mit niedrigem mechanischem Index umgestellt (URM steht für Ultra-Resolution Microscopy-Bildgebung). Die CEUS-Untersuchung wurde durch eine intravenöse Bolusinjektion von 1,2 mL SonoVue durchgeführt, der unmittelbar ein Salzlösungs-Flush von 5 ml folgte; mit der Bolusgabe wurden der Bildschirmtimer und die kontinuierliche Cine-Aufzeichnung gestartet. Der Schallkopf wurde in einer festen Ebene mit minimalem Druck gehalten, und der Patient wurde gebeten, während der An- und Abbauphase das Schlucken zu vermeiden.
Für die quantitative CEUS wurde eine lesionsbeschränkte Region von Interesse verwendet, um die Zeit-Intensitäts-Parameter abzuleiten. Bei der SRUS lokalisierte und verfolgte die URM-Arbeitsablauf-Software Mikrobläschen-Signale nach Bewegungskontrolle und generierte Messungen des Gefäßverhältnisses, der Komplexität, der mikrovaskulären Dichte, des Perfusionindex und der Fließgeschwindigkeit. Die repräsentativen Bilddarstellungen zeigten Einstellungen von VSP 4, RES 2, CTR 3, SM 2, VEN 3 und CPT 10 s; entsprechende Einstellungen waren für die übrigen Untersuchungen nicht verfügbar.
Die 25 Modell-Eingangsvariablen sind in Tabelle 1 aufgelistet und nach Erhebungsmethode gruppiert: Alter und Geschlecht; B-Modus-Mikroverkalkungen; intranoduläre Gefäßversorgung im Farbdoppler; qualitative CEUS; quantitative CEUS; sowie 11 SRUS-Messungen der Mikrogefäße.
Merkmalsauswahl
Alle 25 quantitativen Merkmale wurden in den Modellen des maschinellen Lernens beibehalten. Es wurden ausschließlich numerische Merkmale verwendet; Patientennamen, Registrierungsnummern und Angaben zur Läsionsgröße wurden ausgeschlossen. Es erfolgte keine datenbasierte Merkmalsauswahl, und dieselben vorab festgelegten Prädiktoren wurden in jeden Klassifikator eingegeben.
Standardisierung von Merkmalen
Vor der Kreuzvalidierung wurde keine Transformation, Imputation oder globale Skalierung angewendet. Eine Standardisierung wurde nur für die SVM mit radialer Basisfunktion mithilfe einer StandardScaler-Pipeline durchgeführt. Der Skalierer wurde auf den Trainings-Noduli jedes Folds angepasst und anschließend auf die Validierungs-Noduli desselben Folds angewendet. Entscheidungsbaum-basierte Klassifikatoren erhielten die ursprünglichen numerischen Skalen:
wobei x der ursprüngliche Merkmalswert, µ der Mittelwert der Trainingsfalte und σ die Standardabweichung der Trainingsfalte ist. Die faltenweise Vorverarbeitung verhinderte, dass Validierungsbeobachtungen zu den Skalierungsparametern des SVM beitrugen.
Datenpartitionierung
Die primäre Leistungsbeurteilung verwendete eine fünffache stratifizierte StratifiedGroupKFold-Kreuzvalidierung mit shuffle = True und random_state = 42. Ein Patientenidentifikator definierte 63 Gruppen, und alle Knoten desselben Patienten wurden derselben Teilmenge zugeordnet. Kein Patient trug Knoten sowohl in die Trainings- als auch in die Validierungsteilmenge einer Teilmenge bei.
Modelltraining und -validierung
Ausbildungsprotokoll
Fünf Klassifikatoren wurden evaluiert: Random Forest (100 Bäume; random_state = 42), SVM mit radialer Basisfunktion (C = 1,0; gamma = scale; probability = True; StandardScaler-Pipeline; random_state = 42), Entscheidungsbaum (Gini-Kriterium; unbegrenzte Tiefe; random_state = 42), XGBoost (100 Schätzer; learning_rate = 0,3; max_depth = 6; subsample = 1,0; colsample_bytree = 1,0; random_state = 42) und Gradient Boosting (100 Schätzer; learning_rate = 0,1; max_depth = 3; random_state = 42). Es wurde keine Gitter-Suche, bayessche Optimierung, Schwellenwert-Abstimmung oder geschachtelte Modellselektion durchgeführt.
Kreuzvalidierung
Innerhalb jeder der fünf, nach Patienten gruppierten Faltungen, wurden die Modelle anhand der verbleibenden Patientengruppen trainiert und an den zurückgehaltenen Gruppen evaluiert. Genauigkeit, Sensitivität, Spezifität, Präzision, F1-Score und ROC-AUC wurden für jede Faltung berechnet und als Mittelwert ± Standardabweichung zusammengefasst. Die OOF-Vorhersagen wurden über alle 68 Noduli hinweg zusammengefasst, um je eine kreuzvalidierte ROC-Kurve und eine Konfusionsmatrix für jedes Modell zu erstellen.
Leistungsbeurteilung
Evaluierungsmetriken
Die Modellleistung wurde innerhalb jedes patientengruppierten Validierungsabschnitts und anhand zusammengeführter OOF-Vorhersagen unter Verwendung der folgenden Metriken bewertet:
Genauigkeit: Gesamter Anteil korrekter Vorhersagen
Empfindlichkeit (Sensitivität): Anteil korrekt identifizierter maligner Knoten
Spezifität: Anteil der korrekt identifizierten gutartigen Knoten
Präzision (Positiver Vorhersagewert): Anteil der tatsächlich malignen Fälle unter den vorhergesagten malignen Fällen
F1-Score: Harmonisches Mittel aus Präzision und Sensitivität
Fläche unter der Receiver-Operating-Characteristic-Kurve (ROC-AUC): Maß für die Fähigkeit des Modells, zwischen benignen und malignen Knoten über alle Klassifizierungsschwellen hinweg zu unterscheiden
wobei TP = wahre positive Befunde (korrekt identifizierte maligne Knoten), TN = wahre negative Befunde (korrekt identifizierte benigne Knoten), FP = falsch positive Befunde (falsch als maligne klassifizierte benigne Knoten) und FN = falsch negative Befunde (falsch als benign klassifizierte maligne Knoten) sind.
Analysen der Konfusionsmatrix
OOF-Konfusionsmatrizen wurden erstellt, indem die Vorhersagen für jeden Knoten nur in derjenigen Faltung zusammengefasst wurden, in der der entsprechende Patient ausgelassen wurde. Dadurch erhielt jeder Knoten eine Vorhersage von einem Modell, das mit Knoten aus anderen Patienten trainiert wurde.
Analyse der Merkmalswichtigkeit
Für das Random-Forest-Modell wurden die Wichtigkeitsscores der Merkmale basierend auf der durchschnittlichen Abnahme der Gini-Unreinheit über alle Entscheidungsbäume hinweg berechnet. Die 15 wichtigsten Merkmale wurden identifiziert und rangiert, um festzustellen, welche mikrovaskulären Parameter am stärksten zur Klassifizierungsleistung beigetragen haben.
Explorative SHAP-Analyse
Eine fokussierte OOF-SHAP-Analyse unter Verwendung eines permutationsbasierten Erklärungsansatzes wurde für den SVM durchgeführt. Für jeden ausgelassenen Knoten wurden nur die entsprechenden Beobachtungen aus dem Trainings-Teildatensatz als Hintergrundverteilung verwendet (128 antithetische Permutationen; Zufallsstartwert = 20260716). Die mittleren absoluten SHAP-Werte fassten die Stärke der Beiträge zusammen, während die vorzeichenbehafteten Werte die Richtung anzeigten. Die Analyse hatte einen explorativen Charakter und diente nicht zur Ableitung kausaler Zusammenhänge, zur Identifizierung unabhängiger Biomarker oder zur Definition klinischer Schwellenwerte.
Statistische Analyse
Vergleichende Analyse
Die Modellleistung wurde deskriptiv über die fünf patientengruppierten Validierungsfalten und in gepoolten OOF-Vorhersagen zusammengefasst. Es wurde kein formeller Hypothesentest zwischen Modellen oder eine Rangfolge basierend auf P-Werten durchgeführt, da die Faltungen miteinander verbunden sind und die Kohorte klein ist.
Für Gruppenvergleiche zur Ausgangslage wurde die Normalverteilung stetiger Variablen innerhalb jeder Ergebnisgruppe mithilfe des Shapiro-Wilk-Tests überprüft. Welch's t wurde verwendet, wenn beide Gruppen mit der Normalverteilung verträglich waren; andernfalls ein zweiseitiger Mann-Whitney U Der Test wurde verwendet. Kategoriale Variablen wurden mit dem Chi-Quadrat-Test nach Pearson bewertet, bei spärlichen 2×2-Tabellen mit dem exakten Fisher-Test. Die p-Werte waren zweiseitig, explorativ und nicht korrigiert (Alpha = 0,05).
Reproduzierbarkeit
Die Reproduzierbarkeit wurde durch eine festgelegte Patientengruppendefinition, einen festen Zufallsstartwert (42), feste Klassifikatorkonfigurationen und eine vorabweise Vorverarbeitung unterstützt. Identifikatoren wurden nur zum Gruppieren verwendet und weder als Prädiktoren eingegeben noch zusammen mit den Modellergebnissen exportiert.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Ergebnisse
Charakteristika der Patienten und Studienpopulation
Insgesamt wurden 68 Schilddrüsenknoten von 63 Patienten eingeschlossen, darunter 30 gutartige Knoten und 38 PTCs. Der Knoten war die Analyseeinheit, und die Patientengruppierung stellte sicher, dass Knoten desselben Patienten nicht sowohl in der Trainings- als auch in der Validierungsstichprobe enthalten waren. Die Basischarakteristika sind in Tabelle 2 zusammengefasst.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Diskussion
Aktuelle diagnostische Ansätze bei Schilddrüsenknoten stützen sich hauptsächlich auf die konventionelle Ultraschalluntersuchung, die grundsätzlich vom Untersucher abhängig ist und an interindividueller Variabilität5 sowie an der Unfähigkeit leidet, die Mikrogefäße unterhalb der Beugungsgrenze sichtbar zu machen. Nach unserem Wissen ist unsere Studie die erste umfassende Bewertung mehrerer maschineller Lernalgorithmen, die auf Daten der Ultraschall-Mikrogefäßerfassung mit verbesserter Auflösung (SR...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Offenlegungen
Die Autoren erklären, dass keine Interessenkonflikte bestehen.
Danksagungen
Die Autoren danken dem Personal der Abteilung für Ultraschall des Beijing Friendship Hospital, Capital Medical University, für ihre Unterstützung bei der Sammlung der Patientendaten.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Entscheidungsbaum-Klassifikator | scikit-learn | Version 1.5.2 | Machine-Learning-Klassifikator |
| Feinnadelaspirations-Biopsienadel | Verwendet für die ultraschallgeführte FNAC | ||
| Gradient-Boosting-Klassifikator | scikit-learn | Version 1.5.2 | Machine-Learning-Klassifikator |
| Intravenöser Katheter | Verwendet für die Kontrastmittelapplikation | ||
| Python | Python Software Foundation | Version 3.11.9 | Programmiersprache für die Machine-Learning-Analyse |
| Random-Forest-Klassifikator | scikit-learn | Version 1.5.2 | Machine-Learning-Klassifikator |
| SHAP (Permutations-Erklärer) | SHAP-Entwickler | Version 0.46.0 | Modell-Interpretabilitätsanalyse |
| SonoVue-Kontrastmittel | Bracco | Ultraschallkontrastmittel für CEUS/SRUS-Bildgebung | |
| StandardScaler | scikit-learn | Version 1.5.2 | Standardisierung der Merkmale für die SVM-Pipeline |
| Sterile physiologische Kochsalzlösung | Verwendet für die intravenöse Spülung nach Kontrastmittelgabe | ||
| StratifiedGroupKFold | scikit-learn | Version 1.5.2 | Patientengruppierte Kreuzvalidierung |
| Support-Vektor-Maschine (SVM)-Klassifikator | scikit-learn | Version 1.5.2 | Klassifikator mit Radialbasisfunktionskern |
| U5-15LE Lineararray-Umwandler | VINNO Technology | U5-15LE | Linearer Ultraschallwandler |
| ULTIMUS 9E Ultraschallsystem | VINNO Technology | ULTIMUS 9E | Ultraschallbildgebungssystem für B-Mode-, Farbdoppler-, CEUS- und SRUS-Bildgebung |
| XGBoost | XGBoost-Entwickler | Version 2.1.1 | Gradient-Boosting-Framework |
Referenzen
- Mu C, et al. Mapping global epidemiology of thyroid nodules among general population: a systematic review and meta-analysis. Front Oncol. 2022;12:1029926.
- 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.
- Dean DS, Gharib H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab. 2008;22(6):901-11.
- Uppal N, Collins R, James B. Thyroid nodules: global, economic, and personal burdens. Front Endocrinol (Lausanne). 2023;14:1113977.
- Durante C, et al. The diagnosis and management of thyroid nodules: a review. JAMA. 2018;319(9):914-24.
- 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.
- 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.
- 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.
- 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.
- Christensen-Jeffries K, et al. Super-resolution ultrasound imaging. Ultrasound Med Biol. 2020;46(4):865-91.
- Carmeliet P. Angiogenesis in health and disease. Nat Med. 2003;9(6):653-60.
- Zhang B, et al. Utility of contrast-enhanced ultrasound for evaluation of thyroid nodules. Thyroid. 2010;20(1):51-7.
- 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.
- Xia S, et al. Super-resolution ultrasound and microvasculomics: a consensus statement. Eur Radiol. 2024;34(11):7503-13.
- 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.
- Errico C, et al. Ultrafast ultrasound localization microscopy for deep super-resolution vascular imaging. Nature. 2015;527(7579):499-502.
- 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.
- Gao JY, Hou C. Progresses and clinical application of super-resolution ultrasound imaging: a narrative review. Ultrasound J. 2025;17(1):29.
- Zhang G, et al. Ultrasound super-resolution imaging for the differential diagnosis of thyroid nodules: a pilot study. Front Oncol. 2022;12:978164.
- 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.
- 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.
- 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.
- 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.
- Bini F, et al. Artificial intelligence in thyroid field: a comprehensive review. Cancers (Basel). 2021;13(19):4740.
- Habchi Y, Kheddar H, Himeur Y, Ghanem MC. Machine learning and transformers for thyroid carcinoma diagnosis. J Vis Commun Image Represent. 2026;115:104668.
- 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.
- 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.
- 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.
- 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.
- He S, et al. Super-resolution ultrasound radiomics for pre-FNA prediction of nondiagnostic (Bethesda I) thyroid nodules. Front Endocrinol (Lausanne). 2026;17:1710097.
- 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.
- 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.
- 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.
- 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.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.