Este estudio comparó cinco algoritmos de aprendizaje automático para la clasificación de nódulos tiroideos utilizando características de ultrasonido de súper resolución. La SVM tuvo el mejor desempeño (exactitud del 68,6 %, área bajo la curva de 0,690), identificando la microcalcificación y el agrandamiento postcontraste como factores clave, pero los hallazgos requieren validación externa antes de su uso clínico.
Artículo de investigación
Características microvasculares cuantitativas de ultrasonido de superresolución para la clasificación de nódulos tiroideos basada en aprendizaje automático
69 visualizaciones
⸱
11 de septiembre de 2026
* These authors contributed equally
En este artículo
Resumen
Resumen
Este estudio comparó cinco algoritmos de aprendizaje automático: Bosque Aleatorio (RF), Máquina de Vectores de Soporte (SVM), Árbol de Decisión (DT), Gradiente de Refuerzo Extremo (XGBoost) y Gradiente de Refuerzo (GB), para clasificar nódulos tiroideos utilizando características cuantitativas derivadas del ultrasonido convencional, ultrasonido con contraste (CEUS) y ultrasonido de superresolución (SRUS). El estudio retrospectivo incluyó 68 nódulos tiroideos de 63 pacientes (30 benignos y 38 confirmados como carcinoma papilar de tiroides [PTC]) y se analizó mediante validación cruzada agrupada por pacientes en cinco grupos, asegurando que todos los nódulos del mismo paciente se asignaran al mismo grupo. El desempeño del modelo se resumió a través de los grupos y a partir de predicciones agrupadas fuera del grupo (OOF), y se realizó un análisis enfocado de SHAP (SHapley Additive exPlanations) fuera del grupo utilizando un explicador basado en permutaciones para el mejor modelo, SVM. SVM alcanzó la mayor precisión media (0,686 ± 0,120) y el área media bajo la curva de característica operativa del receptor (ROC-AUC) (0,690 ± 0,164), con una sensibilidad agrupada fuera del grupo de 0,842 y una especificidad de 0,500, mientras que la microcalcificación y el agrandamiento postcontraste se identificaron como los contribuyentes SHAP más significativos específicos del modelo. RF ofreció un desempeño equilibrado (precisión 55,9 %, sensibilidad 55,3 %, especificidad 56,7 %), mientras que DT tuvo un desempeño deficiente (precisión 0,429, ROC-AUC 0,447), cercano a la adivinación aleatoria. El estudio demostró que las mediciones cuantitativas de SRUS pueden incorporarse a clasificadores convencionales; sin embargo, los hallazgos siguen siendo exploratorios y requieren validación prospectiva multicéntrica con cohortes más grandes antes de su implementación clínica.
Introducción
Los nódulos tiroideos representan un hallazgo clínico altamente prevalente, con tasas de detección cercanas al 68 % en poblaciones asintomáticas cuando se examinan mediante ecografía1. Recientes metaanalíticas han revelado que la prevalencia mundial de nódulos tiroideos ha aumentado del 21,53 % durante el período 2000-2011 al 29,29 % durante 2012-2022, afectando aproximadamente a una de cada cuatro personas en la población general2,3. Entre estos nódulos, del 7 % al 15 % finalmente se diagnostican como cáncer de tiroides, siendo el carcinoma tiroideo papilar (PTC) el subtipo predominante4,5. El PTC representa del 80 % al 90 % de todas las malignidades tiroideas y se ha convertido en uno de los tipos de cáncer de más rápido crecimiento, con tasas de incidencia que han aumentado de 4,8 a 14,9 por cada 100 000 entre 1975 y 20126.
La ecografía convencional sigue siendo la piedra angular en la evaluación de nódulos tiroideos, ya que ofrece una modalidad diagnóstica no invasiva, rentable y ampliamente accesible7. Las características sonográficas tradicionales sugestivas de malignidad incluyen hipoeogenicidad marcada, márgenes irregulares, microcalcificaciones y forma más alta que ancha8,9. Sin embargo, está fundamentalmente limitada por el límite de difracción acústica, que restringe la resolución espacial a aproximadamente 100 micrómetros10. Esta limitación restringe significativamente la capacidad de visualizar la microvasculatura y evaluar la morfología vascular fina, parámetros críticos para distinguir entre lesiones tiroideas benignas y malignas11. La imagen de flujo Doppler en color (CDFI) y la ecografía con contraste (CEUS), aunque mejoran la detección del flujo sanguíneo, solo pueden visualizar vasos con velocidades de flujo superiores a 1 cm/s y siguen estando limitadas por la resolución restringida por difracción12,13.
La ultrasonografía de superresolución (SRUS), como tecnología transformadora, supera el límite de difracción tradicional de los sistemas convencionales de ultrasonido14,15. Al aprovechar las microburbujas de contraste como objetivos puntuales para localización y seguimiento, la SRUS logra una resolución espacial a escala micrométrica, permitiendo la visualización y cuantificación de la microvasculatura con un nivel de detalle sin precedentes16,17. Esta técnica puede medir tanto la densidad microvascular (MVD) como la velocidad del flujo microvascular (MFR), proporcionando evaluaciones estructurales y funcionales que resultan imposibles de obtener mediante imágenes no invasivas17,18. Estudios piloto han demostrado que los nódulos tiroideos benignos presentan una MFR significativamente mayor que los malignos, con valores medios de 16,76 ± 6,82 mm/s frente a 9,86 ± 4,54 mm/s, respectivamente19. La introducción de la «microvasculómica por ultrasonido» —extracción de alto rendimiento de características cuantitativas a partir de imágenes SRUS— potencia aún más la posibilidad de realizar evaluaciones microvasculares precisas y personalizadas.
El aprendizaje automático (ML) ha revolucionado el análisis de imágenes médicas, particularmente en la caracterización de nódulos tiroideos20,21. Los modelos de aprendizaje profundo, especialmente las redes neuronales convolucionales (CNN), han alcanzado valores de Área bajo la Curva de Característica Operativa del Receptor (ROC-AUC) superiores a 0,90 en estudios previos22,23,24. Los enfoques de aprendizaje automático conjunto que combinan múltiples algoritmos—incluyendo Bosque Aleatorio (RF), Máquinas de Vectores de Soporte (SVM), Árboles de Decisión (DT), Refuerzo de Gradiente (GB) y Refuerzo Gradiente Extremo (XGBoost)—han demostrado ser prometedores para mejorar la precisión diagnóstica y la robustez en conjuntos de datos heterogéneos21. Como recientemente revisaron Habchi et al.25, el campo de la inteligencia artificial (AI) para el cáncer de tiroides se ha expandido rápidamente para incluir convertidores visuales, modelos de lenguaje grandes y arquitecturas híbridas, reflejando el desarrollo del campo hacia marcos diagnósticos basados en imágenes cada vez más complejos.
Si bien las características convencionales del ultrasonido han sido ampliamente estudiadas en conjunto con algoritmos de inteligencia artificial, la combinación de parámetros microvasculares de superresolución con modelos de aprendizaje automático sigue siendo poco explorada. A pesar del potencial prometedor de la tecnología de ultrasonido de superresolución y de la eficacia comprobada de los algoritmos de aprendizaje automático en imágenes médicas, varias preguntas críticas permanecen sin respuesta. Primero, ¿qué arquitectura de aprendizaje automático—ya sean algoritmos tradicionales como RF y SVM, o métodos de ensamble avanzados como XGBoost y GB—presenta el rendimiento óptimo cuando se aplica a características microvasculares derivadas del ultrasonido de superresolución? Segundo, ¿cómo se comparan estos modelos en términos de sensibilidad, especificidad y precisión diagnóstica general para diferenciar nódulos tiroideos benignos de malignos? Tercero, ¿qué parámetros microvasculares extraídos de imágenes de ultrasonido de superresolución contribuyen de manera más significativa al rendimiento de clasificación? Abordar estas preguntas es esencial para establecer marcos basados en evidencia para la traducción clínica del diagnóstico asistido por ultrasonido de superresolución de nódulos tiroideos.
Por consiguiente, este estudio tiene como objetivo evaluar exhaustivamente el rendimiento de cinco algoritmos de aprendizaje automático (RF, SVM, DT, XGBoost y GB) para clasificar nódulos tiroideos utilizando datos de imágenes microvasculares por ultrasonido de súper resolución. Al comparar sistemáticamente estos enfoques e identificar los biomarcadores microvasculares más informativos, esta investigación busca avanzar en el paradigma diagnóstico para la caracterización de nódulos tiroideos y contribuir al creciente cuerpo de evidencia que respalda la utilidad clínica de la tecnología de ultrasonido de súper resolución (SRUS) en imágenes oncológicas. Se planteó la hipótesis de que el conjunto preespecificado de 25 variables proporcionaría una discriminación superior al azar entre nódulos benignos y nódulos reportados como carcinoma papilar de tiroides. Se utilizó una validación cruzada agrupada por pacientes para reducir la fuga de información, y se incorporó un análisis SHAP enfocado para describir cómo el clasificador seleccionado utilizó las variables medidas. Ambos análisis fueron exploratorios.
Protocolo
Diseño del estudio y población de pacientes
Este estudio retrospectivo analizó exámenes de ultrasonido tiroideo obtenidos entre el 13 de junio de 2024 y el 13 de enero de 2025. El protocolo del estudio fue aprobado por el Comité de Ética del Hospital de Amistad de Beijing, Universidad Médica Capital (número de aprobación BFHHZS20240300) y se llevó a cabo de acuerdo con los principios éticos descritos en la Declaración de Helsinki, y se dispensó el consentimiento informado debido al diseño retrospectivo. El conjunto de datos comprendía 68 nódulos tiroideos de 63 pacientes (30 benignos y 38 malignos), y el nódulo fue la unidad analítica. Los diagnósticos de referencia se basaron en la citología por aspiración con aguja fina guiada por ultrasonido (CAF). El grupo maligno incluyó 38 nódulos reportados como carcinoma tiroideo papilar en la CAF.
Criterios de inclusión
Los pacientes elegibles debían cumplir todos los siguientes criterios: (1) haberse sometido a ecografía en escala de grises convencional y Doppler, seguida de ecografía con contraste (CEUS) con calidad de imagen satisfactoria que permitiera el análisis posterior de la imagen de flujo microvascular; (2) tener un diagnóstico citopatológico de CPT confirmado mediante biopsia con aguja fina, con o sin prueba concurrente positiva para la mutación BRAFV600E; o tener un resultado citológico de Categoría III de Bethesda (atipia de significado indeterminado), pero con prueba concurrente positiva para la mutación BRAFV600E; (3) tener un diagnóstico citopatológico de nódulos benignos proliferativos, nódulos adenomatosos o nódulos foliculares benignos en la Categoría II de Bethesda sin prueba concurrente positiva para la mutación BRAFV600E.
Criterios de exclusión
Se excluyeron a los pacientes del estudio si se presentaba alguna de las siguientes condiciones: (1) imágenes de CEUS de baja calidad o señal insuficiente de microburbujas que impidiera la evaluación confiable del flujo microvascular; (2) ausencia de resultados citológicos o patológicos; (3) diagnóstico histopatológico de un subtipo raro o especial de carcinoma tiroideo (por ejemplo, variantes anaplásicas); o (4) hallazgos citológicos sugestivos de neoplasia folicular (Categoría IV de Bethesda) o cualquier lesión de origen folicular indeterminado, independientemente del estado mutacional; (5) tiroiditis de Hashimoto
Adquisición de ultrasonido, CEUS y SRUS
Todos los exámenes se realizaron con el sistema de ultrasonido referenciado y un transductor de matriz lineal. Los pacientes se colocaron en posición supina con el cuello extendido. Se localizó y midió el nódulo objetivo mediante ultrasonido en modo B; se registraron microcalcificaciones, y se utilizó el mismo plano de imagen centrado en la lesión para evaluar la vascularización intranodular con Doppler color.
Después de establecer el acceso intravenoso, el sistema se cambió a un modo CEUS/URM de bajo índice mecánico (URM significa imágenes de microscopía de ultraresolución). Se realizó CEUS mediante una inyección intravenosa en bolo de SonoVue de 1,2 mL, seguida inmediatamente por una inyección de 5 ml de solución salina; el temporizador en pantalla y la adquisición continua de cine se iniciaron con la administración del bolo. La sonda se mantuvo en un plano fijo con presión mínima, y se pidió al paciente que evitara tragar durante la fase de entrada y salida del contraste.
Para la CEUS cuantitativa, se utilizó una región de interés restringida a la lesión para obtener los parámetros de intensidad-tiempo. Para la SRUS, el flujo de trabajo de URM localizó y rastreó las señales de microburbujas tras el control de movimiento y generó mediciones de relación vascular, complejidad, densidad microvascular, índice de perfusión y velocidad de flujo. Las exportaciones de imágenes representativas mostraron ajustes de VSP 4, RES 2, CTR 3, SM 2, VEN 3 y CPT 10 s; los ajustes correspondientes no estuvieron disponibles para los exámenes restantes.
Las 25 variables de entrada del modelo se enumeran en la Tabla 1 y se agrupan por modalidad de adquisición: edad y sexo; microcalcificaciones en modo B; vascularidad intranodular en Doppler color; CEUS cualitativo; CEUS cuantitativo; y 11 mediciones microvasculares de SRUS.
Selección de características
Se conservaron las 25 características cuantitativas en los modelos de aprendizaje automático. Solo se utilizaron características numéricas; se excluyeron los nombres de los pacientes, los números de registro y los campos de tamaño de lesión. No se realizó ninguna selección de características basada en datos, y los mismos predictores preespecificados se introdujeron en cada clasificador.
Normalización de características
No se aplicó ninguna transformación, imputación ni escalado global antes de la validación cruzada. La estandarización se aplicó únicamente al SVM con función de base radial mediante una canalización StandardScaler. El escalador se ajustó a los nódulos de entrenamiento de cada partición y luego se aplicó a los nódulos de validación de esa partición. Los clasificadores basados en árboles recibieron las escalas numéricas originales:
donde x es el valor original de la característica, µ es la media del conjunto de entrenamiento y σ es la desviación estándar del conjunto de entrenamiento. El preprocesamiento por pliegues evitó que las observaciones de validación contribuyeran a los parámetros de escalado del SVM.
Particionamiento de datos
La evaluación principal del rendimiento utilizó una validación cruzada estratificada por grupos en cinco partes (five-fold StratifiedGroupKFold) con shuffle = True y random_state = 42. Un identificador de paciente definió 63 grupos, y todos los nódulos del mismo paciente se asignaron al mismo grupo. Ningún paciente aportó nódulos tanto al subconjunto de entrenamiento como al de validación de un mismo grupo.
Entrenamiento y validación del modelo
Protocolo de entrenamiento
Se evaluaron cinco clasificadores: bosque aleatorio (100 árboles; random_state = 42), SVM con función de base radial (C = 1,0; gamma = scale; probability = True; tubería StandardScaler; random_state = 42), árbol de decisión (criterio de Gini; profundidad ilimitada; random_state = 42), XGBoost (100 estimadores; learning_rate = 0,3; max_depth = 6; subsample = 1,0; colsample_bytree = 1,0; random_state = 42) y aumento de gradiente (100 estimadores; learning_rate = 0,1; max_depth = 3; random_state = 42). No se realizó búsqueda en cuadrícula, optimización bayesiana, ajuste de umbrales ni selección anidada de modelos.
Validación cruzada
Dentro de cada uno de los cinco grupos de pacientes divididos, los modelos se entrenaron con los grupos restantes de pacientes y se evaluaron con los grupos excluidos. Se calcularon la precisión, sensibilidad, especificidad, valor predictivo positivo, puntuación F1 y el área bajo la curva ROC para cada división, y se resumieron como media ± DE. Las predicciones fuera de la muestra (OOF) se agruparon de los 68 nódulos para generar una curva ROC validada cruzadamente y una matriz de confusión para cada modelo.
Evaluación del rendimiento
Métricas de evaluación
El rendimiento del modelo se evaluó dentro de cada grupo de validación agrupado por paciente y a partir de las predicciones agrupadas fuera del conjunto (OOF) utilizando las siguientes métricas:
Precisión: Proporción general de predicciones correctas
Sensibilidad (Recuperación): Proporción de nódulos malignos reales identificados correctamente
Especificidad: Proporción de nódulos benignos reales identificados correctamente
Precisión (Valor Predictivo Positivo): Proporción de casos predichos como malignos que realmente eran malignos
Puntuación F1: Media armónica de la precisión y la recuperación
Área bajo la curva de característica operativa del receptor (ROC-AUC): Medida de la capacidad del modelo para discriminar entre nódulos benignos y malignos en todos los umbrales de clasificación
donde TP = verdaderos positivos (nódulos malignos identificados correctamente), TN = verdaderos negativos (nódulos benignos identificados correctamente), FP = falsos positivos (nódulos benignos clasificados incorrectamente como malignos) y FN = falsos negativos (nódulos malignos clasificados incorrectamente como benignos).
Análisis de la matriz de confusión
Las matrices de confusión OOF se generaron agrupando las predicciones realizadas para cada nódulo únicamente en el grupo en el que se excluyó a ese paciente. Así, cada nódulo recibió una predicción de un modelo entrenado con nódulos de otros pacientes.
Análisis de la importancia de las características
Para el modelo de bosque aleatorio, se calcularon las puntuaciones de importancia de las características en función de la disminución media de la impureza de Gini en todos los árboles de decisión. Se identificaron y clasificaron las 15 características más importantes para determinar qué parámetros microvasculares contribuyeron de manera más significativa al rendimiento de la clasificación.
Análisis exploratorio con SHAP
Se realizó un análisis SHAP OOF enfocado utilizando un explicador basado en permutaciones para la SVM. Para cada nódulo excluido, solo se utilizaron las observaciones correspondientes del conjunto de entrenamiento como distribución de referencia (128 permutaciones antitéticas; semilla aleatoria = 20260716). Los valores SHAP absolutos medios resumieron la magnitud de las contribuciones, y los valores con signo indicaron la dirección. El análisis fue exploratorio y no se utilizó para inferir causalidad, identificar biomarcadores independientes ni definir umbrales clínicos.
Análisis estadístico
Análisis comparativo
El rendimiento del modelo se resumió de forma descriptiva en las cinco particiones de validación agrupadas por paciente y en las predicciones agrupadas fuera del ajuste (OOF). No se realizó ninguna prueba de hipótesis formal entre modelos ni clasificación basada en valores P, porque las particiones están relacionadas y la cohorte es pequeña.
Para comparaciones basales entre grupos, la normalidad de las variables continuas se evaluó dentro de cada grupo de resultados mediante la prueba de Shapiro-Wilk. De Welch t se utilizó la prueba t cuando ambos grupos cumplían con la normalidad; de lo contrario, una prueba de Mann-Whitney bilateral U se utilizó la prueba t. Las variables categóricas se evaluaron mediante la prueba de chi-cuadrado de Pearson, con la prueba exacta de Fisher para tablas 2 x 2 con escasos datos. Los valores p fueron bilaterales, exploratorios y sin ajustar (alfa = 0,05).
Reproducibilidad
La reproducibilidad se apoyó en una definición específica del grupo de pacientes, una semilla aleatoria fija (42), configuraciones fijas del clasificador y un preprocesamiento por pliegues. Los identificadores se utilizaron únicamente para agrupar y no se introdujeron como predictores ni se exportaron con las salidas del modelo.
Resultados
Características del paciente y población del estudio
Se incluyeron un total de 68 nódulos tiroideos de 63 pacientes, compuestos por 30 nódulos benignos y 38 CPT. El nódulo fue la unidad analítica, y la agrupación de pacientes evitó que nódulos del mismo paciente aparecieran tanto en el subconjunto de entrenamiento como en el de validación. Las características basales se resumen en la Tabla 2.
Figura 1 muestra reconstrucciones de SRUS/URM con éxito técnico y restringidas a la lesión, obtenidas de un nódulo benigno representativo y de un nódulo informado como CPT según la PAAF guiada por ultrasonido. Ambos ejemplos muestran el contorno de la lesión, el mapa microvascular reconstruido y la superposición cuantitativa generada por el dispositivo. Estos ejemplos demuestran una adquisición y reconstrucción exitosas en ambas clases de referencia, pero no establecen por sí solos una separación diagnóstica ni el rendimiento del modelo.
Se evaluaron cinco clasificadores mediante una validación cruzada agrupada por pacientes de cinco pliegues del conjunto de datos de 68 nódulos. Las métricas de rendimiento se informan como media del pliegue ± DE y valores agrupados de OOF en la Tabla 3. La Figura 2, la Figura 3 y la Figura 4 muestran las curvas ROC de OOF, los resúmenes agrupados por pliegue de las métricas y las matrices de confusión de OOF.
Figura 4 muestra matrices de confusión OOF agrupadas, en las que cada nódulo fue predicho únicamente por un modelo entrenado sin nódulos del mismo paciente. SVM clasificó correctamente 32 de 38 nódulos malignos (sensibilidad 0,842), pero clasificó erróneamente 15 de 30 nódulos benignos como malignos (especificidad 0,500). El árbol de decisiones tuvo el mayor número de clasificaciones falsos negativos y falsos positivos. Estos patrones demuestran por qué la precisión por sí sola es insuficiente y ejemplifican resultados tanto exitosos como subóptimos.
En el análisis SHAP OOF enfocado (Figura 5 y Tabla 4), la microcalcificación y el agrandamiento tras el contraste tuvieron las mayores contribuciones específicas del modelo a la probabilidad de malignidad del SVM, seguidas por la homogeneidad de la captación y el sexo. Estos hallazgos describen cómo el SVM ajustado utilizó las variables medidas en esta cohorte y no establecen una importancia clínica independiente.
Declaración de disponibilidad de datos
Los datos que sustentan este artículo se compartirán previa solicitud razonable al autor correspondiente.
Figura 1. Imágenes representativas de lesiones restringidas mediante SRUS/URM. (A) Nódulo tiroideo benigno. (B) Carcinoma tiroideo papilar según la citología por aspiración con aguja fina guiada por ultrasonido. Cada panel muestra el contorno de la lesión y la reconstrucción microvascular correspondiente, con la superposición cuantitativa generada por el dispositivo. Los ejemplos ilustran una adquisición y reconstrucción exitosas y no se utilizan para estimar la precisión diagnóstica. Abreviaturas: SRUS = ultrasonido de súper resolución; URM = imagen microscópica de ultra resolución; FNAC = citología por aspiración con aguja fina. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2. Curvas ROC agrupadas por paciente fuera de pliegue (OOF) para los cinco clasificadores. Cada curva resume una predicción excluida por nódulo; la diagonal punteada indica discriminación al azar. Abreviaturas: RF = Bosque Aleatorio; SVM = Máquina de Vectores de Soporte; DT = Árbol de Decisión; XGB = Potenciación Extrema del Gradiente; GB = Potenciación del Gradiente; OOF = Fuera de pliegue; ROC-AUC = Característica Operativa del Receptor-Área Bajo la Curva. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3. Media ± DE de la exactitud, sensibilidad, especificidad, precisión, puntuación F1 y ROC-AUC en cinco pliegues de validación agrupados por paciente. Acrónimos: DE = desviación estándar; ROC-AUC = Característica Operativa del Receptor-Área Bajo la Curva. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4. Matrices de confusión agrupadas por paciente (OOF). Las filas muestran la clase de referencia y las columnas la clase predicha. Cada nódulo fue predicho por un modelo entrenado sin incluir nódulos del mismo paciente. Abreviatura: OOF = Out-of-fold. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5. Análisis SHAP fuera de pliegue (OOF) del SVM utilizando un explicador basado en permutaciones. (A) Se clasifican los diez valores SHAP absolutos medios más grandes. (B) Valores SHAP con signo para las mismas variables en 68 predicciones retenidas. Abreviaturas: OOF = Fuera de pliegue; SHAP = Explicaciones Aditivas de Shapley; SVM = Máquina de Vectores de Soporte; MVD = Densidad microvascular. Haga clic aquí para ver una versión más grande de esta figura.
| Origen de la adquisición | Predictores | Manejo del modelo |
| Datos demográficos | Edad; sexo | Variables numéricas en hoja de cálculo; ambas conservadas como entradas prespecificadas del modelo. |
| Ultrasonido en modo B | Microcalcificación | Variable numérica en hoja de cálculo; sin escalamiento global. |
| Doppler color | Vascularización intranodular (flujo sanguíneo) | Clasificada como un predictor de Doppler color en lugar de modo B. |
| CEUS cualitativo | Ampliación postcontraste; patrón de realce; homogeneidad del realce | Variables numéricas en hoja de cálculo; conservadas como entradas prespecificadas. |
| CEUS cuantitativo | AUC, intensidad máxima, tiempo hasta el pico, tiempo de llegada, tiempo de ascenso, tiempo medio de tránsito, tiempo hasta la intensidad media del pico | Siete variables de la curva tiempo-intensidad; sin imputación ni escalamiento global. |
| Microvascular SRUS | Relación de vasos, complejidad, DVM máximo/mínimo/medio/DE, índice de perfusión, velocidad del flujo máximo/mínimo/medio/DE | Once variables microvasculares; sin selección previa de características. |
Tabla 1: Variables cuantitativas y preprocesamiento. Los 25 predictores preespecificados se agrupan según la fuente de adquisición: edad y sexo; microcalcificaciones en modo B; vascularidad intranodular en Doppler color; mediciones cualitativas y cuantitativas mediante ultrasonido con contraste (CEUS); y mediciones microvasculares mediante ultrasonido de súper resolución (SRUS). Se excluyeron los nombres, identificadores de registro y campos de tamaño de lesión. No faltaron valores en la matriz de 25 variables. La identidad del paciente se utilizó únicamente para agrupación. El StandardScaler se ajustó solo dentro de los pliegues de entrenamiento de la máquina de vectores de soporte (SVM). Abreviaturas: CEUS = ultrasonido con contraste; SRUS = ultrasonido de súper resolución; SVM = máquina de vectores de soporte.
| Origen de la adquisición | Característica | Nódulos benignos | Nódulos malignos | Valor P |
| (n = 30) | (n = 38) | |||
| Datos demográficos | Edad, años | 48 (42, 55) | 48 (41, 52) | 0.551 |
| Datos demográficos | Sexo, n (%) | 0.012 | ||
| Datos demográficos | Mujer | 26 (86,7%) | 27 (71,1%) | |
| Datos demográficos | Hombre | 4 (13,3%) | 11 (28,9%) | |
| Ultrasonido en modo B | ||||
| Ultrasonido en modo B | Microcalcificación, n (%) | 0.001 | ||
| Ultrasonido en modo B | Ausente | 12 (40,0%) | 2 (5,3%) | |
| Ultrasonido en modo B | Presente | 18 (60,0%) | 36 (94,7%) | |
| Doppler en color | Flujo sanguíneo, n (%) | 0.1 | ||
| Doppler en color | Ausente | 7 (23,3%) | 8 (21,1%) | |
| Doppler en color | Presente | 23 (76,7%) | 30 (78,9%) | |
| CEUS cualitativo | Ampliación postcontraste, n (%) | 0.001 | ||
| CEUS cualitativo | No | 16 (53,3%) | 5 (13,2%) | |
| CEUS cualitativo | Sí | 14 (46,7%) | 33 (86,8%) | |
| CEUS cualitativo | Homogeneidad de la captación, n(%) | 0.087 | ||
| CEUS cualitativo | Heterogénea | 11 (36,7%) | 23 (60,5%) | |
| CEUS cualitativo | Homogénea | 19 (63,3%) | 15 (39,5%) | |
| CEUS cualitativo | Patrón de captación, n (%) | |||
| CEUS cualitativo | Hipocaptación | 18 (60,0%) | 20 (52,6%) | |
| CEUS cualitativo | Isocaptación | 3 (10,0%) | 0 (0,0%) | |
| CEUS cualitativo | Hipercaptación | 9 (30,0%) | 18 (47,4%) | |
| CEUS cuantitativo | ||||
| CEUS cuantitativo | Área bajo la curva (AUC), dB·s | 3255,49 (2457,15, 4048,94) | 3620,76 (3096,36, 4066,75) | 0,201 |
| CEUS cuantitativo | Intensidad máxima (PI), dB | 48,93 (40,93, 55,78) | 50,22 (42,49, 56,82) | 0,621 |
| CEUS cuantitativo | Tiempo para alcanzar el pico (TTP), s | 17,78 (16,47, 19,30) | 20,42 (17,53, 23,47) | 0,045 |
| CEUS cuantitativo | Tiempo de llegada (AT), s | 9,88 (8,23, 11,53) | 9,88 (8,64, 11,53) | 0,1 |
| CEUS cuantitativo | Tiempo de ascenso (RT), s | 8,43 (6,92, 9,55) | 9,55 (7,00, 12,11) | 0,164 |
| CEUS cuantitativo | Tiempo medio de tránsito (MTT), s | 69,38 (60,17, 87,84) | 82,82 (64,22, 99,15) | 0,102 |
| CEUS cuantitativo | Tiempo hasta la mitad de la intensidad máxima (THP), s | 81,62 (70,53, 99,93) | 95,34 (73,60, 109,44) | 0,157 |
| Microvascular SRUS | ||||
| Microvascular SRUS | Razón de vasos, % | 56,29 (43,34, 71,44) | 57,81 (41,49, 70,24) | 0,772 |
| Microvascular SRUS | Nivel de complejidad | 1,68 (1,59, 1,73) | 1,62 (1,57, 1,69) | 0,083 |
| Microvascular SRUS | Densidad microvascular—Máxima | 15,24 (10,59, 17,88) | 13,28 (9,60, 15,92) | 0,142 |
| Microvascular SRUS | Densidad microvascular—Mínima | 0,07 (0,05, 0,07) | 0,06 (0,04, 0,07) | 0,385 |
| Microvascular SRUS | Densidad microvascular—Media | 6,20 (3,46, 7,45) | 4,71 (3,74, 6,78) | 0,161 |
| Microvascular SRUS | Densidad microvascular—DE | 3,15 (2,12, 3,64) | 2,56 (1,94, 3,04) | 0,085 |
| Microvascular SRUS | Índice de perfusión | 6,81 (4,53, 9,05) | 7,12 (4,52, 9,90) | 0,666 |
| Microvascular SRUS | Velocidad máxima del flujo, mm/s | 25,13 (22,24, 26,43) | 26,32 (23,86, 28,00) | 0,152 |
Tabla 2: Características basales de 30 nódulos tiroideos benignos y 38 malignos. Características demográficas e imagenológicas basales para nódulos benignos (n = 30) y malignos (n = 38). Los valores se expresan como n (%) o mediana (rango intercuartílico). Las etiquetas de referencia se asignaron según la PAAF guiada por ultrasonido; no se disponía de histopatología posoperatoria. Abreviaturas: EUS = ultrasonido con contraste; SRUS = ultrasonido de súper resolución.
| Clasificador | Precisión | Sensibilidad | Especificidad | Precisión positiva | Puntuación F1 | ROC-AUC | |
| Bosque aleatorio | Validación StratifiedGroupKFold | 0.548 ± 0.176 | 0.573 ± 0.297 | 0.572 ± 0.105 | 0.603 ± 0.139 | 0.555 ± 0.204 | 0.633 ± 0.137 |
| OOF agrupado | 0.559 | 0.553 | 0.567 | 0.618 | 0.583 | 0.579 | |
| SVM | Validación StratifiedGroupKFold | 0.686 ± 0.120 | 0.850 ± 0.180 | 0.495 ± 0.204 | 0.678 ± 0.154 | 0.740 ± 0.118 | 0.690 ± 0.164 |
| OOF agrupado | 0.691 | 0.842 | 0.5 | 0.681 | 0.753 | 0.655 | |
| Árbol de decisión | Validación StratifiedGroupKFold | 0.429 ± 0.073 | 0.492 ± 0.229 | 0.402 ± 0.247 | 0.514 ± 0.169 | 0.468 ± 0.117 | 0.447 ± 0.073 |
| OOF agrupado | 0.426 | 0.474 | 0.367 | 0.486 | 0.48 | 0.42 | |
| XGBoost | Validación StratifiedGroupKFold | 0.541 ± 0.151 | 0.494 ± 0.197 | 0.595 ± 0.137 | 0.587 ± 0.228 | 0.530 ± 0.202 | 0.571 ± 0.163 |
| OOF agrupado | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.594 | |
| Refuerzo de gradiente | Validación StratifiedGroupKFold | 0.544 ± 0.099 | 0.500 ± 0.091 | 0.550 ± 0.213 | 0.624 ± 0.087 | 0.546 ± 0.053 | 0.579 ± 0.124 |
| OOF agrupado | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.555 |
Tabla 3: Rendimiento de la validación cruzada agrupada por paciente con cinco particiones y rendimiento agrupado fuera de la partición (OOF). Todos los nódulos del mismo paciente se asignaron a la misma partición. Los valores corresponden a la media ± DE calculada a través de cinco particiones de validación StratifiedGroupKFold. Los 68 nódulos se obtuvieron de 63 grupos de pacientes; cada partición excluyó entre 12 y 15 nódulos procedentes de entre 12 y 13 grupos de pacientes. Cada valor agrupado OOF utiliza una predicción por nódulo realizada en la partición de validación que excluyó todos los nódulos de ese paciente. Figura 3 muestra las matrices de confusión agrupadas OOF correspondientes. Abreviaturas: OOF = fuera de la partición; SVM = Máquina de Vectores de Soporte.
| Clasificación | Característica | Media |SHAP| | Desviación estándar de la media por pliegue de |SHAP| |
| 1 | Microcalcificación | 0.0357 | 0.023 |
| 2 | Aumento postcontraste | 0.0331 | 0.0165 |
| 3 | Homogeneidad de la captación | 0.0207 | 0.008 |
| 4 | Sexo | 0.0194 | 0.0109 |
| 5 | Desviación estándar de la velocidad de flujo | 0.0159 | 0.01 |
| 6 | Media de MVD | 0.0124 | 0.0086 |
| 7 | Tiempo medio de tránsito | 0.0118 | 0.0069 |
| 8 | Velocidad mínima de flujo | 0.0107 | 0.0061 |
| 9 | Patrón de realce | 0.0103 | 0.0112 |
| 10 | Desviación estándar de MVD | 0.0102 | 0.0077 |
Tabla 4: Clasificación global de características por valores SHAP para el SVM. Los valores SHAP cuantifican las contribuciones a la probabilidad de malignidad del SVM. Cada nódulo fue explicado una vez en su grupo de validación independiente por paciente. Los valores globales corresponden al promedio de los valores absolutos de SHAP calculados a partir de 68 explicaciones fuera del grupo; la DE del grupo es la desviación estándar de los valores absolutos promedio específicos de cada grupo a través de cinco grupos. Las clasificaciones son resúmenes exploratorios específicos del modelo y no representan efectos causales, biomarcadores independientes ni umbrales clínicos. Abreviaturas: OOF = fuera del grupo; SVM = Máquina de Vectores de Soporte; MVD = densidad microvascular; SHAP = Explicaciones Aditivas de Shapley.
Discusión
Los enfoques diagnósticos actuales para los nódulos tiroideos dependen principalmente de la ecografía convencional, que sigue siendo inherentemente dependiente del operador y sujeta a variabilidad interobservador5 y a la incapacidad de visualizar la microvasculatura por debajo del límite de difracción. Hasta donde sabemos, nuestro estudio es la primera evaluación exhaustiva de múltiples algoritmos de aprendizaje automático aplicados a datos de imágenes microvasculares por ecografía de superresolución (SRUS), logrando una evaluación cuantitativa objetiva del riesgo de CPT en nódulos tiroideos en un entorno de investigación.
La principal contribución de este estudio es un marco analítico a nivel del paciente que integra mediciones de SRUS basadas en localización y con microburbujas de contraste con ultrasonido en modo B, Doppler color, CEUS cualitativo y cuantitativo, y variables clínicas para clasificar nódulos tiroideos. La novedad radica en incorporar información microvascular medida experimentalmente en un conjunto de características multimodal preespecificado de 25 variables y evaluarlo mediante agrupación de pacientes resistente a fugas, en lugar de mediante una nueva arquitectura de clasificador. Todos los nódulos del mismo paciente se mantuvieron en un único grupo; el escalador SVM se ajustó únicamente a cada grupo de entrenamiento; y la evaluación del modelo utilizó validación cruzada agrupada por paciente de cinco grupos, predicciones agrupadas fuera del conjunto de entrenamiento (OOF) y un análisis SHAP enfocado en las predicciones OOF. Dentro de este marco, SVM presentó la mayor precisión media (0,686 ± 0,120) y el mayor ROC-AUC medio (0,690 ± 0,164), pero su especificidad agrupada OOF fue solo de 0,500, y el rendimiento varió entre los grupos. En conjunto, estos hallazgos establecen un enfoque reproducible para evaluar datos combinados de ultrasonido microvascular y convencional a nivel del paciente, al tiempo que destacan áreas que requieren mayor refinamiento antes de su implementación clínica.
Trabajos previos sobre tiroides establecieron la viabilidad del SRUS con microburbujas de contraste y reportaron diferencias a nivel grupal en el flujo microvascular en una cohorte piloto de 24 nódulos26. Nuestro estudio amplía esa demostración de viabilidad de imagen en tres aspectos específicos. Primero, las mediciones de densidad vascular, velocidad del flujo y perfusión derivadas del SRUS se analizaron junto con microcalcificaciones en modo B, vascularidad intranodular por Doppler color, CEUS cualitativo y cuantitativo, y edad y sexo, en lugar de hacer una comparación aislada de SRUS. Segundo, el paciente se trató como la unidad de separación durante todo el preprocesamiento y la validación, evitando que nódulos del mismo paciente aparecieran tanto en los datos de entrenamiento como en los de validación. Tercero, el mismo marco agrupado por paciente vinculó el rendimiento del modelo a predicciones OOF agrupadas y a un análisis SHAP OOF enfocado. En conjunto, estos elementos conectan la adquisición, la caracterización cuantitativa del microvaso, la evaluación del modelo y su explicación en un único flujo de trabajo reproducible, proporcionando una base sobre la cual estudios futuros pueden construir.
Hemos identificado varios estudios recientes sobre la aplicación de la inteligencia artificial y el aprendizaje profundo al diagnóstico de nódulos tiroideos malignos. Es útil diferenciar nuestro enfoque de esos estudios. Feng et al. desarrollaron un modelo multicéntrico y multimodal para la estratificación del riesgo de carcinoma papilar de tiroides antes de la cirugía27, mientras que Gatta et al. sintetizaron modelos de aprendizaje automático evaluados externamente para el diagnóstico de benignidad frente a malignidad basándose en imágenes convencionales de ultrasonido tiroideo28. Li et al. aplicaron superresolución computacional a partir de una sola imagen al ultrasonido convencional para la localización del nódulo29, y He et al. utilizaron radiómica mejorada mediante redes generativas antagónicas (GAN) en modo B para predecir un resultado de punción con aguja fina (FNA) no diagnóstico (Bethesda I)30. Enfoques basados en geometría, transferencia de aprendizaje y transformadores ilustran aún más la diversidad algorítmica en la investigación del ultrasonido tiroideo31. Estos estudios utilizan imágenes convencionales de ultrasonido, variables clínicas o de imagen multimodales, o representaciones de imágenes mejoradas computacionalmente; sin embargo, no localizan microburbujas de contraste inyectadas ni cuantifican directamente la densidad y el flujo microvascular a nivel de la lesión. Habchi et al. aplicaron un marco de transferencia de aprendizaje basado en VGG19 a imágenes convencionales de ultrasonido tiroideo y reportaron una alta precisión de clasificación en un conjunto de datos público32. Aunque su trabajo demostró el potencial del aprendizaje profundo en este campo, se basó únicamente en características de las imágenes en modo B.
Por comparación, la contribución específica aquí es el uso de SRUS basado en localización para obtener variables microvasculares medidas experimentalmente, su integración con características convencionales de ultrasonido y CEUS, y su evaluación agrupada por pacientes. Los estudios citados siguen siendo complementarios en lugar de comparadores directos de desempeño, ya que sus entradas, puntos finales, estándares de referencia y diseños de validación difieren, y consideramos esta complementariedad como una fortaleza, ya que sugiere múltiples vías independientes hacia una mejor estratificación del riesgo. Cabe destacar que nuestros hallazgos también complementan enfoques basados en aprendizaje profundo, como el marco de Transformada Bandelet sensible a la geometría de Habchi et al.31 y los puntos de referencia de aprendizaje por transferencia de Xu et al., que se centran en la clasificación de imágenes convencionales en modo B en lugar de biomarcadores hemodinámicos cuantitativos33—modalidades de entrada fundamentalmente diferentes que capturan aspectos distintos de la biología tumoral.
Nuestros resultados indican diferencias significativas en el desempeño de los cinco clasificadores evaluados. La SVM presenta el mejor rendimiento en términos de precisión promedio (0,686 ± 0,120) y ROC-AUC (0,690 ± 0,164), y tiene la menor desviación estándar en la validación cruzada, lo que demuestra su desempeño robusto en tareas con muestras pequeñas. La validación OOF agrupada confirmó además que la sensibilidad de la SVM fue del 84,2 % (32 de 38 nódulos malignos se identificaron correctamente) y su puntuación F1 fue de 0,753, la más alta entre todos los modelos. Esta capacidad de detección potente tiene un valor significativo en la práctica clínica, ya que un diagnóstico omitido puede provocar consecuencias graves. Sin embargo, la especificidad fue solo del 50,0 % (15 de 30 nódulos benignos se clasificaron erróneamente), un patrón que requiere una interpretación cuidadosa. Esta especificidad moderada probablemente refleja la naturaleza de alta dimensionalidad de nuestro conjunto de datos (25 predictores frente a 30 muestras benignas). En un espacio de características tan disperso, el límite de decisión de la SVM queda desproporcionadamente influenciado por unos pocos nódulos benignos con características microvasculares similares a las malignas, lo que obliga al clasificador a adoptar una estrategia conservadora: etiquetar los casos ambiguos como malignos, para minimizar los falsos negativos. Desde una perspectiva clínica, este equilibrio es aceptable en escenarios de cribado, ya que las consecuencias de un diagnóstico omitido de CPT pueden ser mucho más graves que las de una PAAF innecesaria. En investigaciones futuras, es preferible priorizar una cohorte de muestra más grande, especialmente mediante la incorporación de más muestras benignas, y volver a probar métodos de aprendizaje sensible al costo o de reducción de dimensionalidad para mantener la sensibilidad mientras se mejora la especificidad.
RF presenta una precisión media (0,548 ± 0,176), que es más baja que la de SVM. Sin embargo, RF mostró un rendimiento agrupado equilibrado fuera de la muestra (OOF) (precisión 55,9 %, sensibilidad 55,3 %, especificidad 56,7 %), lo cual es valioso para sistemas de apoyo a la toma de decisiones clínicas. Su importancia basada en la impureza clasificó como variables principales la MVD media, la velocidad media del flujo y el índice de perfusión, lo que indica una señal de SRUS significativa. XGBoost y Gradient Boosting tuvieron un desempeño intermedio; ninguno superó a RF, probablemente debido a la sensibilidad a los hiperparámetros dado el tamaño limitado de la muestra (n = 68) y la regularización conservadora. El árbol de decisiones (DT) tuvo un mal desempeño (precisión 0,429, área bajo la curva ROC 0,447), acercándose al azar, tal como era de esperar por el sobreajuste de un único árbol. En resumen, SVM es preferible cuando maximizar la sensibilidad es una prioridad, mientras que RF ofrece ventajas en cuanto a rendimiento equilibrado e interpretabilidad; ambos requieren una investigación adicional.
El análisis SHAP enfocado identificó microcalcificación, aumento tras contraste y homogeneidad de realce como los tres factores predictivos principales, seguidos por el sexo y los parámetros de SRUS, incluyendo la desviación estándar de la velocidad del flujo sanguíneo, la MVD media y el tiempo medio de tránsito. Las características convencionales predominan, pero los parámetros de SRUS aportan información incremental independiente. La importancia de los indicadores de SRUS es coherente con sus ventajas físicas. SRUS puede alcanzar una resolución de ~10 µm, mientras que la resolución del Doppler tradicional está limitada a ~200–300 µm. Zhang et al. confirmaron que los nódulos malignos presentan menor velocidad del flujo sanguíneo (9,86 frente a 16,76 mm/s, p < 0,01) y menor MVD19, lo que refleja la biología fibrotizante y predominantemente linfática del CPT. Nuestros hallazgos de SHAP son biológicamente plausibles, y la concordancia con los criterios de TI-RADS respalda un aprendizaje de patrones clínicamente significativo8.
La estratificación precisa del riesgo tiene implicaciones significativas para la atención de los pacientes y la toma de decisiones clínicas. Si los nódulos de alto riesgo pueden identificarse mediante análisis de aprendizaje automático (ML) de imágenes de USR, los pacientes podrían recibir punción con aguja fina (FNAC) de manera más oportuna, reduciendo la ansiedad y previniendo la progresión del cáncer. Los nódulos seleccionados de bajo riesgo podrían, en cambio, monitorizarse mediante ultrasonido. Las mediciones cuantitativas de la microvasculatura podrían eventualmente complementar las observaciones convencionales en ese proceso. Sin embargo, el presente estudio no evaluó si la salida del clasificador mejora el desempeño de los médicos, reduce los procedimientos innecesarios de FNAC o modifica los resultados en los pacientes. Por lo tanto, las salidas del modelo aún no deben orientar las decisiones clínicas. Más bien, deben considerarse herramientas de investigación que demuestran la prueba de principio y proporcionan una base para la evaluación prospectiva. Durante el análisis, todos los nódulos de un mismo paciente deben permanecer en el mismo grupo, y el preprocesamiento debe ajustarse utilizando únicamente la porción de entrenamiento de ese grupo.
Se deben considerar varias limitaciones. En primer lugar, este fue un estudio retrospectivo, de un solo centro, con 68 nódulos de 63 pacientes, sin validación externa; el tamaño muestral reducido podría aumentar el riesgo de sobreajuste. No obstante, la validación cruzada agrupada por pacientes ofrece cierta garantía. En segundo lugar, todas las etiquetas de referencia se derivaron de la PAAF guiada por ultrasonido en lugar de la histopatología posquirúrgica. La PAAF proporciona evidencia citológica, pero no es equivalente a la confirmación histológica posquirúrgica y podría introducir errores de clasificación, particularmente entre los nódulos etiquetados como benignos, a pesar de que hemos restringido el alcance de los nódulos benignos y realizado la prueba del gen BRAFV600E en todos los nódulos. En tercer lugar, el grupo de nódulos malignos se limitó a aquellos reportados como CPT en la PAAF, lo que limita la generalización a otros tipos de malignidades tiroideas. En cuarto lugar, no se recopilaron sistemáticamente otros factores clínicos (función tiroidea, antecedentes familiares). Por último, no se realizó una optimización sistemática de hiperparámetros, análisis de calibración ni comparación independiente basada en imágenes mediante aprendizaje profundo. A pesar de estas limitaciones, la coherencia de nuestros hallazgos con la plausibilidad biológica y la literatura existente brinda confianza en su validez. Las investigaciones futuras deberían priorizar: (1) la validación prospectiva multicéntrica en cohortes más grandes con histopatología posquirúrgica; (2) la fusión multimodal que integre la USR con elastografía y ultrasonido convencional; (3) biomarcadores séricos, protocolos estandarizados de adquisición, criterios de control de calidad34 y la optimización del diseño de características.
En conclusión, este estudio demuestra la viabilidad de aplicar algoritmos convencionales de aprendizaje automático a mediciones microvasculares cuantitativas mediante SRUS para apoyar la clasificación exploratoria de nódulos tiroideos. La SVM mostró alta sensibilidad pero especificidad limitada, lo que respalda su posible función como ayuda en cribado más que como sustituto diagnóstico. Aunque preliminares, nuestros hallazgos establecen una tubería de evaluación reproducible y resistente a fugas, y justifican su validación prospectiva en cohortes más grandes.
Divulgaciones
Los autores no tienen conflictos de intereses que declarar.
Agradecimientos
Los autores agradecen al personal del Departamento de Ultrasonido del Hospital de Amistad de Beijing, Universidad Médica Capital, por su ayuda en la recolección de datos de los pacientes.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Clasificador de árbol de decisiones | scikit-learn | Version 1.5.2 | Clasificador de aprendizaje automático |
| Aguja para biopsia por aspiración con aguja fina | Utilizada para FNAC guiada por ultrasonido | ||
| Clasificador Gradient Boosting | scikit-learn | Version 1.5.2 | Clasificador de aprendizaje automático |
| Catéter intravenoso | Utilizado para la administración de contraste | ||
| Python | Python Software Foundation | Version 3.11.9 | Lenguaje de programación utilizado para el análisis de aprendizaje automático |
| Clasificador Random Forest | scikit-learn | Version 1.5.2 | Clasificador de aprendizaje automático |
| SHAP (explicador por permutación) | SHAP Developers | Version 0.46.0 | Análisis de explicabilidad del modelo |
| Agente de contraste SonoVue | Bracco | Agente de contraste para ultrasonido en imágenes CEUS/SRUS | |
| StandardScaler | scikit-learn | Version 1.5.2 | Normalización de características para la canalización SVM |
| Suero salino normal estéril | Utilizado para el lavado intravenoso tras la inyección de contraste | ||
| StratifiedGroupKFold | scikit-learn | Version 1.5.2 | Validación cruzada agrupada por paciente |
| Clasificador Support Vector Machine (SVM) | scikit-learn | Version 1.5.2 | Clasificador con kernel de función de base radial |
| Transductor lineal U5-15LE | VINNO Technology | U5-15LE | Transductor lineal de ultrasonido |
| Sistema de ultrasonido ULTIMUS 9E | VINNO Technology | ULTIMUS 9E | Sistema de imágenes por ultrasonido utilizado para imágenes en modo B, Doppler en color, CEUS y SRUS |
| XGBoost | XGBoost Developers | Version 2.1.1 | Marco de Gradient Boosting |
Referencias
- 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.