Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Caractéristiques microvasculaires par échographie de super-résolution quantitative pour la classification des nodules thyroïdiens basée sur l'apprentissage automatique

211 vues

⸱

11 septembre 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

Dans cet article

Résumé

Cette étude a comparé cinq algorithmes d'apprentissage automatique pour la classification des nodules thyroïdiens à l'aide de caractéristiques d'échographie à super-résolution. Le SVM s'est révélé le plus performant (précision de 68,6 %, aire sous la courbe de 0,690), identifiant la microcalcification et l'élargissement post-contraste comme des facteurs clés, mais ces résultats nécessitent une validation externe avant une utilisation clinique.

Résumé

Cette étude a comparé cinq algorithmes d'apprentissage automatique — forêt aléatoire (RF), machine à vecteurs de support (SVM), arbre de décision (DT), boosting gradient extrême (XGBoost) et boosting par gradient (GB) — pour la classification des nodules thyroïdiens à l'aide de caractéristiques quantitatives issues de l'échographie conventionnelle, de l'échographie avec contraste (CEUS) et de l'échographie en super-résolution (SRUS). L'étude rétrospective a inclus 68 nodules thyroïdiens provenant de 63 patients (30 bénins et 38 confirmés comme carcinomes thyroïdiens papillaires [PTC]) et a été analysée à l'aide de 25 caractéristiques quantitatives selon une validation croisée groupée par patient en cinq parties, garantissant que tous les nodules d'un même patient étaient affectés au même groupe. Les performances des modèles ont été résumées sur l'ensemble des groupes et à partir de prédictions hors groupe (OOF) regroupées, et une analyse ciblée SHAP (SHapley Additive exPlanations) hors groupe utilisant un explicateur basé sur des permutations a été réalisée pour le modèle SVM, le plus performant. Le SVM a obtenu la plus haute précision moyenne (0,686 ± 0,120) et la plus grande aire sous la courbe ROC moyenne (ROC-AUC) (0,690 ± 0,164), avec une sensibilité hors groupe regroupée de 0,842 et une spécificité de 0,500, tandis que les microcalcifications et l'élargissement post-contraste ont été identifiés comme les contributeurs SHAP les plus significatifs spécifiques au modèle. La RF a offert des performances équilibrées (précision 55,9 %, sensibilité 55,3 %, spécificité 56,7 %), tandis que le DT a eu de mauvais résultats (précision 0,429, ROC-AUC 0,447), se rapprochant d'une prédiction aléatoire. L'étude a démontré que des mesures quantitatives SRUS peuvent être intégrées dans des classificateurs conventionnels ; toutefois, ces résultats restent exploratoires et nécessitent une validation prospective multicentrique avec des cohortes plus importantes avant toute application clinique.

Introduction

Les nodules thyroïdiens constituent une découverte clinique très fréquente, avec des taux de détection atteignant 68 % dans les populations asymptomatiques lorsqu'ils sont examinés par échographie1. De récentes méta-analyses ont révélé que la prévalence mondiale des nodules thyroïdiens a augmenté de 21,53 % entre 2000 et 2011 à 29,29 % entre 2012 et 2022, touchant environ une personne sur quatre dans la population générale2,3. Parmi ces nodules, 7 à 15 % sont finalement diagnostiqués comme un cancer de la thyroïde, dont le carcinome thyroïdien papillaire (PTC) représente le sous-type prédominant4,5. Le PTC représente 80 à 90 % de l'ensemble des tumeurs malignes thyroïdiennes et est devenu l'un des types de cancer dont l'incidence augmente le plus rapidement, passant de 4,8 à 14,9 cas pour 100 000 habitants entre 1975 et 20126.

L'échographie conventionnelle reste la pierre angulaire de l'évaluation des nodules thyroïdiens, offrant une modalité diagnostique non invasive, rentable et largement accessible7. Les caractéristiques échographiques traditionnelles suggérant une malignité incluent une hypoechogénicité marquée, des marges irrégulières, des microcalcifications et une forme plus haute que large8,9. Toutefois, elle est fondamentalement limitée par la barrière de diffraction acoustique, qui restreint la résolution spatiale à environ 100 micromètres10. Cette limitation entrave considérablement la capacité à visualiser le microvasculaire et à évaluer la morphologie vasculaire fine, qui sont des paramètres essentiels pour distinguer les lésions thyroïdiennes bénignes des malignes11. L'imagerie de flux Doppler couleur (CDFI) et l'échographie avec contraste (CEUS), bien qu'elles améliorent la détection du flux sanguin, ne permettent de visualiser que les vaisseaux dont la vitesse d'écoulement dépasse 1 cm/s et restent soumises à une résolution limitée par la diffraction12,13.

L'échographie à super-résolution (SRUS), en tant que technologie révolutionnaire, surmonte la limite de diffraction traditionnelle des systèmes d'échographie conventionnels14,15. En utilisant des microbulles de contraste comme cibles ponctuelles pour la localisation et le suivi, la SRUS atteint une résolution spatiale à l'échelle micrométrique, permettant la visualisation et la quantification du microvasculaire avec un niveau de détail sans précédent16,17. Cette technique permet de mesurer à la fois la densité microvasculaire (MVD) et le débit microvasculaire (MFR), offrant des évaluations structurelles et fonctionnelles impossibles à obtenir précisément par imagerie non invasive17,18. Des études pilotes ont démontré que les nodules thyroïdiens bénins présentent un MFR significativement plus élevé que les nodules malins, avec des valeurs moyennes respectives de 16,76 ± 6,82 mm/s contre 9,86 ± 4,54 mm/s19. L'introduction de la « microvasculomique par ultrasons » — une extraction à haut débit de caractéristiques quantitatives à partir d'images SRUS — renforce encore le potentiel d'une évaluation microvasculaire précise et personnalisée.

L'apprentissage automatique (ML) a révolutionné l'analyse des images médicales, en particulier dans la caractérisation des nodules thyroïdiens20,21. Les modèles d'apprentissage profond, notamment les réseaux neuronaux convolutifs (CNN), ont atteint des valeurs de la surface sous la courbe de la caractéristique de fonctionnement du récepteur (ROC-AUC) dépassant 0,90 dans des études antérieures22,23,24. Les approches d'apprentissage automatique par ensemble combinant plusieurs algorithmes—y compris la forêt aléatoire (RF), les machines à vecteurs de support (SVM), les arbres de décision (DT), le boosting par gradient (GB) et le boosting par gradient extrême (XGBoost)—ont montré leur potentiel pour améliorer la précision diagnostique et la robustesse sur des ensembles de données hétérogènes21. Comme l'ont récemment passé en revue Habchi et al.25, le domaine de l'intelligence artificielle (AI) appliquée au cancer de la thyroïde s'est rapidement étendu pour inclure des convertisseurs visuels, des grands modèles linguistiques et des architectures hybrides, reflétant ainsi l'évolution du domaine vers des cadres diagnostiques basés sur l'image de plus en plus complexes.

Bien que les caractéristiques classiques de l'échographie aient été largement étudiées en association avec des algorithmes d'intelligence artificielle, la combinaison de paramètres microvasculaires en super-résolution avec des modèles d'apprentissage automatique reste largement inexplorée. Malgré le potentiel prometteur de la technologie SRUS et l'efficacité prouvée des algorithmes d'apprentissage automatique en imagerie médicale, plusieurs questions essentielles restent sans réponse. Premièrement, quelle architecture d'apprentissage automatique — qu'il s'agisse d'algorithmes traditionnels tels que RF et SVM, ou de méthodes avancées d'agrégation comme XGBoost et GB — offre les meilleures performances lorsqu'elle est appliquée à des caractéristiques microvasculaires issues de SRUS ? Deuxièmement, comment ces modèles se comparent-ils en termes de sensibilité, de spécificité et de précision diagnostique globale pour distinguer les nodules thyroïdiens bénins des nodules malins ? Troisièmement, quels paramètres microvasculaires extraits de l'imagerie SRUS contribuent le plus significativement aux performances de classification ? Répondre à ces questions est essentiel pour établir des cadres fondés sur des preuves afin de faciliter la traduction clinique du diagnostic des nodules thyroïdiens assisté par SRUS.

En conséquence, cette étude vise à évaluer de manière exhaustive les performances de cinq algorithmes d'apprentissage automatique (RF, SVM, DT, XGBoost et GB) pour la classification des nodules thyroïdiens à l'aide de données d'imagerie microvasculaire ultrasonore en super-résolution. En comparant systématiquement ces approches et en identifiant les biomarqueurs microvasculaires les plus informatifs, cette recherche cherche à faire progresser le paradigme diagnostique de la caractérisation des nodules thyroïdiens et à contribuer à l'ensemble croissant de preuves soutenant l'utilité clinique de la technologie SRUS en imagerie oncologique. Nous avons émis l'hypothèse que le jeu de caractéristiques prédéfini de 25 variables permettrait une discrimination supérieure au hasard entre les nodules bénins et ceux rapportés comme carcinomes thyroïdiens papillaires. Une validation croisée groupée par patient a été utilisée afin de réduire les fuites d'information, et une analyse SHAP ciblée a été ajoutée pour décrire la manière dont le classificateur sélectionné utilisait les variables mesurées. Les deux analyses étaient exploratoires.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Conception de l'étude et population de patients

Cette étude rétrospective a analysée des examens échographiques thyroïdiens réalisés entre le 13 juin 2024 et le 13 janvier 2025. Le protocole de l'étude a été approuvé par le Comité d'éthique de l'Hôpital d'amitié de Pékin, Université médicale de la Capitale (n° d'approbation BFHHZS20240300) et a été mené conformément aux principes éthiques énoncés dans la Déclaration d'Helsinki, et le consentement éclairé a été dispensé en raison de la conception rétrospective. Le jeu de données comprenait 68 nodules thyroïdiens provenant de 63 patients (30 bénins et 38 malins), le nodule constituant l'unité d'analyse. Les diagnostics de référence étaient basés sur la cytologie par aspiration à l'aiguille fine (AAF) guidée par échographie. Le groupe malin comprenait 38 nodules rapportés comme carcinome thyroïdien papillaire à l'AAF.

Critères d'inclusion

Les patients éligibles devaient remplir tous les critères suivants : (1) avoir subi une échographie en niveaux de gris conventionnelle et une échographie Doppler, suivies d'une échographie avec contraste (CEUS) offrant une qualité d'image satisfaisante permettant une analyse ultérieure du flux microvasculaire ; (2) avoir un diagnostic cytopathologique de carcinome papillaire de la thyroïde (PTC) confirmé par biopsie à l’aiguille fine, avec ou sans test concomitant positif pour la mutation BRAFV600E ; ou présenter un résultat cytologique de catégorie III de Bethesda (atypie d’incertitude), mais avec test concomitant positif pour la mutation BRAFV600E ; (3) avoir un diagnostic cytopathologique de nodules bénins prolifératifs, de nodules adénomateux ou de nodules folliculaires bénins relevant de la catégorie II de Bethesda, sans test concomitant positif pour la mutation BRAFV600E.

Critères d'exclusion

Les patients ont été exclus de l'étude si l'une des conditions suivantes était présente : (1) des images EBUS de mauvaise qualité ou un signal insuffisant des microbulles, empêchant une évaluation fiable du flux microvasculaire ; (2) l'absence de résultats cytologiques ou pathologiques ; (3) un diagnostic histopathologique d'un sous-type rare ou particulier de carcinome thyroïdien (par exemple, les variants anaplasiques) ; ou (4) des anomalies cytologiques suggérant un néoplasme folliculaire (catégorie Bethesda IV) ou toute lésion d'origine folliculaire indéterminée, indépendamment du statut mutationnel ; (5) une thyroïdite de Hashimoto

Acquisition par échographie, échographie avec contraste (CEUS) et échographie par balayage ultrasonore (SRUS)

Tous les examens ont été réalisés à l'aide du système d'échographie référencé et d'une sonde linéaire. Les patients étaient placés en position supine avec le cou en extension. Le nodule cible a été localisé et mesuré en échographie en mode B ; les microcalcifications ont été notées, et le même plan d'imagerie centré sur la lésion a été utilisé pour évaluer la vascularisation intranodulaire par Doppler couleur.

Après la mise en place d'un accès intraveineux, le système a été basculé en mode CEUS/URM à faible indice mécanique (URM signifie imagerie par microscopie ultra-résolutive). L'examen CEUS a été réalisé par injection intraveineuse en bolus de 1,2 mL de SonoVue, suivie immédiatement d'un rinçage avec 5 ml de sérum physiologique ; le chronomètre affiché à l'écran et l'acquisition cinématographique continue ont été lancés dès l'administration du bolus. La sonde a été maintenue dans un plan fixe avec une pression minimale, et le patient a été prié d'éviter de déglutir pendant les phases d'arrivée et d'élimination du produit.

Pour l'ECUS quantitative, une région d'intérêt limitée à la lésion a été utilisée pour obtenir les paramètres intensité-temps. Pour l'URSM, le flux de travail URM a localisé et suivi les signaux des microbulles après correction des mouvements, puis a généré des mesures de rapport vasculaire, de complexité, de densité microvasculaire, d'indice de perfusion et de vitesse d'écoulement. Les exports d'images représentatifs montraient les réglages VSP 4, RES 2, CTR 3, SM 2, VEN 3 et CPT 10 s ; les réglages correspondants n'étaient pas disponibles pour les examens restants.

Les 25 variables d'entrée du modèle sont énumérées dans le Tableau 1 et regroupées par modalité d'acquisition : âge et sexe ; microcalcifications en mode B ; vascularisation intranodulaire en Doppler couleur ; échographie de contraste qualitative ; échographie de contraste quantitative ; et 11 mesures microvasculaires SRUS.

Sélection des caractéristiques

Toutes les 25 caractéristiques quantitatives ont été conservées dans les modèles d'apprentissage automatique. Seules les caractéristiques numériques ont été utilisées ; les noms des patients, les numéros d'enregistrement et les champs de taille des lésions ont été exclus. Aucune sélection de caractéristiques fondée sur les données n'a été effectuée, et les mêmes prédicteurs prédéfinis ont été introduits dans chaque classificateur.

Standardisation des caractéristiques

Aucune transformation, imputation ou mise à l'échelle globale n'a été appliquée avant la validation croisée. La standardisation a uniquement été appliquée au SVM à fonction de base radiale via un pipeline StandardScaler. Le module de mise à l'échelle a été ajusté sur les nodules d'entraînement de chaque pli, puis appliqué aux nodules de validation de ce même pli. Les classificateurs basés sur les arbres ont reçu les échelles numériques d'origine :

Équation de la formule de standardisation \( z = \frac{x - \mu}{\sigma} \), méthode statistique.

où x est la valeur initiale de la caractéristique, µ est la moyenne de l'ensemble d'apprentissage et σ est l'écart type de l'ensemble d'apprentissage. Le prétraitement par pli a empêché les observations de validation de contribuer aux paramètres de mise à l'échelle du SVM.

Partitionnement des données

L'évaluation principale des performances a utilisé une validation croisée stratifiée en cinq groupes (StratifiedGroupKFold) avec shuffle = True et random_state = 42. Un identifiant patient a défini 63 groupes, et tous les nodules provenant d'un même patient ont été affectés au même groupe. Aucun patient n'a contribué de nodules à la fois aux sous-ensembles d'apprentissage et de validation d'un groupe.

Entraînement et validation du modèle

Protocole d'entraînement

Cinq classificateurs ont été évalués : forêt aléatoire (100 arbres ; random_state = 42), SVM à fonction de base radiale (C = 1,0 ; gamma = scale ; probability = True ; pipeline StandardScaler ; random_state = 42), arbre de décision (critère de Gini ; profondeur illimitée ; random_state = 42), XGBoost (100 estimateurs ; learning_rate = 0,3 ; max_depth = 6 ; subsample = 1,0 ; colsample_bytree = 1,0 ; random_state = 42) et boosting par gradient (100 estimateurs ; learning_rate = 0,1 ; max_depth = 3 ; random_state = 42). Aucune recherche en grille, optimisation bayésienne, réglage de seuil ou sélection imbriquée de modèle n’a été effectuée.

Validation croisée

Dans chacun des cinq plis regroupés par patient, les modèles ont été entraînés sur les groupes de patients restants et évalués sur les groupes exclus. La précision, la sensibilité, la spécificité, la valeur prédictive positive, le score F1 et l'aire sous la courbe ROC ont été calculés pour chaque pli et résumés sous la forme moyenne ± écart-type. Les prédictions hors échantillon (OOF) ont été regroupées pour l'ensemble des 68 nodules afin de produire une courbe ROC validée croisée et une matrice de confusion pour chaque modèle.

Évaluation des performances

Métriques d'évaluation

Les performances du modèle ont été évaluées au sein de chaque pli de validation groupé par patient et à partir des prédictions agrégées hors échantillon (OOF) en utilisant les métriques suivantes :

Précision : Proportion globale de prédictions correctes

Formule de précision, ACC=(TP+TN)/(TP+TN+FP+FN), équation de mesure statistique.

Sensibilité (rappel) : proportion de nodules malins réels correctement identifiés

Méthode de spectroscopie avec l'équation SEN= ; diagramme d'absorption-émission ; dispositif d'étude optique.  Équation de précision (TP/TP+FN) pour l'analyse des données.

Spécificité : Proportion de nodules bénins réels correctement identifiés

Formule de spécificité : SPE = TN/(TN+FP), équation, analyse statistique, performance diagnostique.

Précision (valeur prédictive positive) : proportion de cas prédits comme malins qui étaient effectivement malins

Formule de la valeur prédictive positive, calcul de la VPP, équation avec les vrais positifs (TP) et les faux positifs (FP).

Score F1 : moyenne harmonique de la précision et du rappel

Formule du score F1 F1=2(Precision×Recall)/(Precision+Recall), équation mathématique.

Surface sous la courbe caractéristique de fonctionnement du récepteur (ROC-AUC) : Mesure de la capacité du modèle à discriminer entre les nodules bénins et malignes à tous les seuils de classification

où TP = vrais positifs (nodules malins correctement identifiés), TN = vrais négatifs (nodules bénins correctement identifiés), FP = faux positifs (nodules bénins classés à tort comme malins) et FN = faux négatifs (nodules malins classés à tort comme bénins).

Analyse de la matrice de confusion

Les matrices de confusion OOF ont été générées en regroupant les prédictions faites pour chaque nodule uniquement dans le pli où ce patient avait été mis de côté. Ainsi, chaque nodule a reçu une prédiction à partir d'un modèle entraîné sur des nodules provenant d'autres patients.

Analyse de l'importance des caractéristiques

Pour le modèle de forêt aléatoire, les scores d'importance des caractéristiques ont été calculés en fonction de la diminution moyenne de l'impureté de Gini sur l'ensemble des arbres de décision. Les 15 caractéristiques les plus importantes ont été identifiées et classées afin de déterminer quels paramètres microvasculaires contribuaient le plus significativement à la performance de classification.

Analyse exploratoire SHAP

Une analyse OOF SHAP ciblée utilisant un explicateur basé sur les permutations a été réalisée pour le SVM. Pour chaque nodule mis de côté, seules les observations correspondantes de l'échantillon d'apprentissage ont été utilisées comme distribution de référence (128 permutations antithétiques ; graine aléatoire = 20260716). Les valeurs SHAP absolues moyennes ont résumé l'ampleur des contributions, tandis que les valeurs signées ont indiqué le sens de celles-ci. L'analyse était exploratoire et n'a pas été utilisée pour inférer une causalité, identifier des biomarqueurs indépendants ou définir des seuils cliniques.

Analyse statistique

Analyse comparative

Les performances du modèle ont été résumées de manière descriptive selon les cinq plis de validation regroupés par patient et dans les prédictions globales hors échantillon. Aucun test d'hypothèse formel entre modèles ni aucun classement fondé sur des valeurs P n'a été effectué, car les plis sont liés et la cohorte est de petite taille.

Pour les comparaisons de groupes au moment de la ligne de base, la normalité des variables continues a été évaluée au sein de chaque groupe d'issue à l'aide du test de Shapiro-Wilk. Le test de Welch t un test a été utilisé lorsque les deux groupes présentaient une distribution normale ; sinon, un test de Mann-Whitney bilatéral U Le test a été utilisé. Les variables catégorielles ont été évaluées à l'aide du test du chi-deux de Pearson, complété par le test exact de Fisher pour les tableaux 2 x 2 peu fournis. Les valeurs de p étaient bilatérales, exploratoires et non ajustées (alpha = 0,05).

Reproductibilité

La reproductibilité a été assurée par une définition précise du groupe de patients, une graine aléatoire fixée (42), des configurations fixes du classificateur et un prétraitement par pli. Les identifiants ont été utilisés uniquement pour le regroupement et n'ont pas été introduits comme prédicteurs ni exportés avec les sorties du modèle.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Caractéristiques des patients et population étudiée

Un total de 68 nodules thyroïdiens provenant de 63 patients ont été inclus, comprenant 30 nodules bénins et 38 carcinomes thyroïdiens papillaires (PTC). Le nodule constituait l'unité d'analyse, et le regroupement par patient a empêché que des nodules provenant d'un même patient apparaissent à la fois dans l'ensemble d'apprentissage et dans l'ensemble de validation. Les caractéristiques de base sont résumées dans Table...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Les approches diagnostiques actuelles pour les nodules thyroïdiens reposent principalement sur l'échographie conventionnelle, qui reste intrinsèquement dépendante de l'opérateur et sujette à une variabilité inter-observateur5 ainsi qu'à l'impossibilité de visualiser le microvasculaire en dessous de la limite de diffraction. À notre connaissance, notre étude constitue la première évaluation complète de plusieurs algorithmes d'apprentissage automatique appliqués à des données d'imagerie microvascula...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n'ont aucun conflit d'intérêts à déclarer.

Remerciements

Les auteurs remercient le personnel du service d'échographie de l'hôpital Friendship de Pékin, université médicale de la capitale, pour leur aide dans la collecte des données des patients.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Classificateur d'arbre de décisionscikit-learnVersion 1.5.2Classificateur d'apprentissage automatique
Aiguille de biopsie par aspiration à l'aiguille fineUtilisée pour la FNAC guidée par échographie
Classificateur Gradient Boostingscikit-learnVersion 1.5.2Classificateur d'apprentissage automatique
Cathéter intraveineuxUtilisé pour l'administration du produit de contraste
PythonPython Software FoundationVersion 3.11.9Langage de programmation utilisé pour l'analyse d'apprentissage automatique
Classificateur Forêt aléatoirescikit-learnVersion 1.5.2Classificateur d'apprentissage automatique
SHAP (explicateur par permutation)SHAP DevelopersVersion 0.46.0Analyse d'explicabilité du modèle
Agent de contraste SonoVueBraccoAgent de contraste échographique pour l'imagerie CEUS/SRUS
StandardScalerscikit-learnVersion 1.5.2Standardisation des caractéristiques pour le pipeline SVM
Sérum physiologique stérileUtilisé pour le rinçage intraveineux après l'injection de produit de contraste
StratifiedGroupKFoldscikit-learnVersion 1.5.2Validation croisée groupée par patient
Classificateur Machine à vecteurs de support (SVM)scikit-learnVersion 1.5.2Classificateur à noyau de fonction de base radiale
Transducteur linéaire U5-15LEVINNO TechnologyU5-15LEProbe échographique linéaire
Système échographique ULTIMUS 9EVINNO TechnologyULTIMUS 9ESystème d'imagerie échographique utilisé pour l'imagerie en mode B, Doppler couleur, CEUS et SRUS
XGBoostXGBoost DevelopersVersion 2.1.1Infrastructure de boosting par gradient

Références

  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.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Classification des nodules thyroïdiensAlgorithmes d'apprentissage automatiqueÉchographie de contrasteCaractéristiques échographiques quantitativesCarcinome papillaire de la thyroïdeAnalyse SHAPForêt aléatoireMachine à vecteurs de supportValidation croisée à cinq plis
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.