Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

Características microvasculares cuantitativas de ultrasonido de superresolución para la clasificación de nódulos tiroideos basada en aprendizaje automático

211 visualizaciones

⸱

11 de septiembre de 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

En este artículo

Resumen

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.

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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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:

Ecuación de la fórmula de estandarización \( z = \frac{x - \mu}{\sigma} \), método estadístico.

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

Fórmula de precisión, ACC=(TP+TN)/(TP+TN+FP+FN), ecuación de medición estadística.

Sensibilidad (Recuperación): Proporción de nódulos malignos reales identificados correctamente

Método de espectroscopía con la ecuación SEN=; diagrama de absorción-emisión; configuración del estudio óptico.  Ecuación de precisión (TP/TP+FN) para el análisis de datos.

Especificidad: Proporción de nódulos benignos reales identificados correctamente

Fórmula de especificidad: SPE = TN/(TN+FP), ecuación, análisis estadístico, rendimiento diagnóstico.

Precisión (Valor Predictivo Positivo): Proporción de casos predichos como malignos que realmente eran malignos

Fórmula del valor predictivo positivo, cálculo del VPP, ecuación con verdaderos positivos (TP) y falsos positivos (FP).

Puntuación F1: Media armónica de la precisión y la recuperación

Fórmula del puntaje F1 F1=2(Precision×Recall)/(Precision+Recall), ecuación matemática.

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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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 m...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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 superresoluc...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Clasificador de árbol de decisionesscikit-learnVersion 1.5.2Clasificador de aprendizaje automático
Aguja para biopsia por aspiración con aguja finaUtilizada para FNAC guiada por ultrasonido
Clasificador Gradient Boostingscikit-learnVersion 1.5.2Clasificador de aprendizaje automático
Catéter intravenosoUtilizado para la administración de contraste
PythonPython Software FoundationVersion 3.11.9Lenguaje de programación utilizado para el análisis de aprendizaje automático
Clasificador Random Forestscikit-learnVersion 1.5.2Clasificador de aprendizaje automático
SHAP (explicador por permutación)SHAP DevelopersVersion 0.46.0Análisis de explicabilidad del modelo
Agente de contraste SonoVueBraccoAgente de contraste para ultrasonido en imágenes CEUS/SRUS
StandardScalerscikit-learnVersion 1.5.2Normalización de características para la canalización SVM
Suero salino normal estérilUtilizado para el lavado intravenoso tras la inyección de contraste
StratifiedGroupKFoldscikit-learnVersion 1.5.2Validación cruzada agrupada por paciente
Clasificador Support Vector Machine (SVM)scikit-learnVersion 1.5.2Clasificador con kernel de función de base radial
Transductor lineal U5-15LEVINNO TechnologyU5-15LETransductor lineal de ultrasonido
Sistema de ultrasonido ULTIMUS 9EVINNO TechnologyULTIMUS 9ESistema de imágenes por ultrasonido utilizado para imágenes en modo B, Doppler en color, CEUS y SRUS
XGBoostXGBoost DevelopersVersion 2.1.1Marco de Gradient Boosting

Referencias

  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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Clasificación de nódulos tiroideosalgoritmos de aprendizaje automáticoecografía con contrastecaracterísticas ecográficas cuantitativascarcinoma papilar de tiroidesanálisis SHAPRandom Forestmáquina de vectores de soportevalidación cruzada de cinco pliegues
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.