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.
Article de recherche
Caractéristiques microvasculaires par échographie de super-résolution quantitative pour la classification des nodules thyroïdiens basée sur l'apprentissage automatique
69 vues
⸱
11 septembre 2026
* These authors contributed equally
Dans cet article
Résumé
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.
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 :
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
Sensibilité (rappel) : proportion de nodules malins réels correctement identifiés
Spécificité : Proportion de nodules bénins réels correctement identifiés
Précision (valeur prédictive positive) : proportion de cas prédits comme malins qui étaient effectivement malins
Score F1 : moyenne harmonique de la précision et du rappel
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.
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 Tableau 2.
Figure 1 montre des reconstructions SRUS/URM limitées à la lésion et techniquement réussies, provenant d'un nodule bénin représentatif et d'un nodule classé comme CPT selon une FNAC guidée par échographie. Ces deux exemples présentent le contour de la lésion, la carte microvasculaire reconstruite et la superposition quantitative générée par l'appareil. Ces exemples démontrent une acquisition et une reconstruction réussies pour les deux classes de référence, mais n'établissent pas, en tant que tels, une distinction diagnostique ni la performance du modèle.
Cinq classificateurs ont été évalués à l'aide d'une validation croisée groupée par patient en cinq parties sur le jeu de données de 68 nodules. Les métriques de performance sont indiquées sous forme de moyenne ± écart-type par partie et de valeurs globales hors échantillon (OOF) regroupées dans le Tableau 3. Le Figure 2, le Figure 3 et le Figure 4 présentent respectivement les courbes ROC hors échantillon (OOF), les résumés des métriques par groupe de validation croisée, et les matrices de confusion hors échantillon (OOF).
Figure 4 présente les matrices de confusion OOF regroupées, dans lesquelles chaque nodule a été prédit uniquement par un modèle entraîné sans les nodules du même patient. Le SVM a correctement classé 32 des 38 nodules malins (sensibilité de 0,842), mais a mal classé 15 des 30 nodules bénins en tant que malins (spécificité de 0,500). L'arbre de décision a présenté le plus grand nombre de classifications faussement négatives et faussement positives. Ces tendances illustrent pourquoi la précision seule est insuffisante et mettent en évidence des résultats à la fois satisfaisants et sous-optimaux.
Dans l'analyse SHAP OOF ciblée (Figure 5 et Tableau 4), les microcalcifications et l'augmentation post-contraste ont apporté les contributions spécifiques au modèle les plus importantes à la probabilité de malignité du SVM, suivies par l'homogénéité de l'enhancement et le sexe. Ces résultats décrivent comment le SVM ajusté a utilisé les variables mesurées dans cet échantillon, sans établir une importance clinique indépendante.
Déclaration relative à la disponibilité des données
Les données à la base de cet article seront partagées sur demande raisonnable adressée à l'auteur correspondant.
Figure 1. Images représentatives de SRUS/URM limitées à la lésion. (A) Nodule thyroïdien bénin. (B) Carcinome thyroïdien papillaire selon la cytologie par aspiration à l’aiguille fine guidée par échographie. Chaque image montre le contour de la lésion et la reconstruction microvasculaire correspondante, avec la superposition quantitative générée par l’appareil. Ces exemples illustrent une acquisition et une reconstruction réussies, mais ne servent pas à estimer la précision diagnostique. Abréviations : SRUS = échographie en super-résolution ; URM = imagerie microscopique en ultra-résolution ; FNAC = cytologie par aspiration à l’aiguille fine. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 2. Courbes ROC OOF regroupées par patient pour les cinq classificateurs. Chaque courbe résume une prédiction réservée par nodule ; la diagonale en pointillés indique la discrimination au hasard. Abréviations : RF = Forêt aléatoire ; SVM = Machine à vecteurs de support ; DT = Arbre de décision ; XGB = Boosting de gradient extrême ; GB = Boosting de gradient ; OOF = Hors pli ; ROC-AUC = Caractéristique de fonctionnement du récepteur-Surface sous la courbe. Veuillez cliquer ici pour afficher une version agrandie de cette figure.
Figure 3. Moyenne ± ÉT de l'exactitude, de la sensibilité, de la spécificité, de la précision, du score F1 et de la ROC-AUC obtenus sur cinq validations croisées groupées par patient. Abréviations : ÉT = écart type ; ROC-AUC = caractéristique de fonctionnement du récepteur-aire sous la courbe. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 4. Matrices de confusion OOF regroupées par patient. Les lignes indiquent la classe de référence et les colonnes la classe prédite. Chaque nodule a été prédit par un modèle entraîné sans aucun nodule provenant du même patient. Abréviation : OOF = Out-of-fold. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
Figure 5. Analyse SHAP OOF du SVM à l’aide d’un explicateur basé sur les permutations. (A) Les dix valeurs SHAP moyennes absolues les plus élevées sont classées par ordre décroissant. (B) Valeurs SHAP signées pour les mêmes variables sur 68 prédictions réservées. Abréviations : OOF = Out-of-fold (hors pli) ; SHAP = SHapley Additive exPlanations ; SVM = Support Vector Machine ; MVD = Densité microvasculaire. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.
| Source d'acquisition | Prédicteurs | Traitement du modèle |
| Démographie | Âge ; sexe | Variables numériques de feuille de calcul ; conservées toutes deux comme entrées prédéfinies du modèle. |
| Échographie en mode B | Microcalcifications | Variable numérique de feuille de calcul ; aucune normalisation globale. |
| Doppler couleur | Vascularisation intranodulaire (flux sanguin) | Classé comme prédicteur Doppler couleur plutôt que prédicteur en mode B. |
| Échoendoscopie de contraste qualitative | Augmentation post-contraste ; motif d'enhancement ; homogénéité de l'enhancement | Variables numériques de feuille de calcul ; conservées comme entrées prédéfinies. |
| Échoendoscopie de contraste quantitative | AUC, intensité maximale, temps pour atteindre le pic, temps d'arrivée, temps de montée, temps moyen de transit, temps pour atteindre la moitié de l'intensité maximale | Sept variables issues de la courbe temps-intensité ; aucune imputation ni normalisation globale. |
| Microvasculature SRUS | Rapport des vaisseaux, complexité, DVM maximum/minimum/moyenne/écart type, indice de perfusion, vitesse d'écoulement maximum/minimum/moyenne/écart type | Onze variables microvasculaires ; aucune sélection préalable de caractéristiques. |
Tableau 1 : Variables quantitatives et prétraitement. Les 25 prédicteurs prédéfinis sont regroupés par source d'acquisition : âge et sexe ; microcalcifications en mode B ; vascularisation intranodulaire en Doppler couleur ; mesures qualitatives et quantitatives en échographie de contraste (CEUS) ; et mesures microvasculaires en échographie à super-résolution (SRUS). Les champs relatifs au nom, aux identifiants d'enregistrement et à la taille des lésions ont été exclus. Aucune valeur n'était manquante dans la matrice à 25 variables. L'identité des patients n'a été utilisée que pour le regroupement. Le StandardScaler a été appliqué uniquement au sein des plis d'entraînement de la machine à vecteurs de support (SVM). Abréviations : CEUS = échographie de contraste ; SRUS = échographie à super-résolution ; SVM = machine à vecteurs de support.
| Source d'acquisition | Caractéristique | Nodules bénins | Nodules malins | Valeur P |
| (n = 30) | (n = 38) | |||
| Démographie | Âge, années | 48 (42, 55) | 48 (41, 52) | 0.551 |
| Démographie | Sexe, n (%) | 0.012 | ||
| Démographie | Femme | 26 (86,7 %) | 27 (71,1 %) | |
| Démographie | Homme | 4 (13,3 %) | 11 (28,9 %) | |
| Échographie en mode B | ||||
| Échographie en mode B | Microcalcification, n (%) | 0,001 | ||
| Échographie en mode B | Absente | 12 (40,0 %) | 2 (5,3 %) | |
| Échographie en mode B | Présente | 18 (60,0 %) | 36 (94,7 %) | |
| Doppler couleur | Flux sanguin, n (%) | 0,1 | ||
| Doppler couleur | Absent | 7 (23,3 %) | 8 (21,1 %) | |
| Doppler couleur | Présent | 23 (76,7 %) | 30 (78,9 %) | |
| Écho-Doppler contrasté qualitatif | Agrandissement post-contraste, n (%) | 0,001 | ||
| Écho-Doppler contrasté qualitatif | Non | 16 (53,3 %) | 5 (13,2 %) | |
| Écho-Doppler contrasté qualitatif | Oui | 14 (46,7 %) | 33 (86,8 %) | |
| Écho-Doppler contrasté qualitatif | Homogénéité du rehaussement, n(%) | 0,087 | ||
| Écho-Doppler contrasté qualitatif | Hétérogène | 11 (36,7 %) | 23 (60,5 %) | |
| Écho-Doppler contrasté qualitatif | Homogène | 19 (63,3 %) | 15 (39,5 %) | |
| Écho-Doppler contrasté qualitatif | Motif de rehaussement, n (%) | |||
| Écho-Doppler contrasté qualitatif | Hyporehaussement | 18 (60,0 %) | 20 (52,6 %) | |
| Écho-Doppler contrasté qualitatif | Isorehaussement | 3 (10,0 %) | 0 (0,0 %) | |
| Écho-Doppler contrasté qualitatif | Hyperrehaussement | 9 (30,0 %) | 18 (47,4 %) | |
| Écho-Doppler contrasté quantitatif | ||||
| Écho-Doppler contrasté quantitatif | Surface sous la courbe (AUC), dB·s | 3255,49 (2457,15, 4048,94) | 3620,76 (3096,36, 4066,75) | 0,201 |
| Écho-Doppler contrasté quantitatif | Intensité maximale (PI), dB | 48,93 (40,93, 55,78) | 50,22 (42,49, 56,82) | 0,621 |
| Écho-Doppler contrasté quantitatif | Délai pour atteindre le pic (TTP), s | 17,78 (16,47, 19,30) | 20,42 (17,53, 23,47) | 0,045 |
| Écho-Doppler contrasté quantitatif | Temps d'arrivée (AT), s | 9,88 (8,23, 11,53) | 9,88 (8,64, 11,53) | 0,1 |
| Écho-Doppler contrasté quantitatif | Durée de montée (RT), s | 8,43 (6,92, 9,55) | 9,55 (7,00, 12,11) | 0,164 |
| Écho-Doppler contrasté quantitatif | Temps moyen de transit (MTT), s | 69,38 (60,17, 87,84) | 82,82 (64,22, 99,15) | 0,102 |
| Écho-Doppler contrasté quantitatif | Temps pour atteindre la moitié de l'intensité maximale (THP), s | 81,62 (70,53, 99,93) | 95,34 (73,60, 109,44) | 0,157 |
| Microvasculaire SRUS | ||||
| Microvasculaire SRUS | Rapport de vaisseaux, % | 56,29 (43,34, 71,44) | 57,81 (41,49, 70,24) | 0,772 |
| Microvasculaire SRUS | Niveau de complexité | 1,68 (1,59, 1,73) | 1,62 (1,57, 1,69) | 0,083 |
| Microvasculaire SRUS | Densité microvasculaire—Maximum | 15,24 (10,59, 17,88) | 13,28 (9,60, 15,92) | 0,142 |
| Microvasculaire SRUS | Densité microvasculaire—Minimum | 0,07 (0,05, 0,07) | 0,06 (0,04, 0,07) | 0,385 |
| Microvasculaire SRUS | Densité microvasculaire—Moyenne | 6,20 (3,46, 7,45) | 4,71 (3,74, 6,78) | 0,161 |
| Microvasculaire SRUS | Densité microvasculaire—Écart type | 3,15 (2,12, 3,64) | 2,56 (1,94, 3,04) | 0,085 |
| Microvasculaire SRUS | Indice de perfusion | 6,81 (4,53, 9,05) | 7,12 (4,52, 9,90) | 0,666 |
| Microvasculaire SRUS | Vitesse maximale du flux, mm/s | 25,13 (22,24, 26,43) | 26,32 (23,86, 28,00) | 0,152 |
Tableau 2 : Caractéristiques de base de 30 nodules thyroïdiens bénins et de 38 nodules malins. Caractéristiques démographiques et d'imagerie de base pour les nodules bénins (n = 30) et malins (n = 38). Les valeurs sont exprimées en n (%) ou médiane (intervalle interquartile). Les étiquettes de référence ont été attribuées selon la FNAC guidée par échographie ; la histopathologie postopératoire n'était pas disponible. Abréviations : EUS = échographie avec contraste ; SRUS = échographie super-résolue.
| Classificateur | Précision | Sensibilité | Spécificité | Précision positive | Score F1 | ROC-AUC | |
| Random Forest | Validation 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 |
| pooled OOF | 0.559 | 0.553 | 0.567 | 0.618 | 0.583 | 0.579 | |
| SVM | Validation 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 |
| pooled OOF | 0.691 | 0.842 | 0.5 | 0.681 | 0.753 | 0.655 | |
| Arbre de décision | Validation 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 |
| pooled OOF | 0.426 | 0.474 | 0.367 | 0.486 | 0.48 | 0.42 | |
| XGBoost | Validation 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 |
| pooled OOF | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.594 | |
| Gradient Boosting | Validation 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 |
| pooled OOF | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.555 |
Tableau 3 : Performances de la validation croisée groupée par patient en cinq parties et performances agrégées hors du pli (OOF). Toutes les nodules provenant d'un même patient ont été affectées au même pli. Les valeurs indiquent la moyenne ± écart-type (SD) calculées sur les cinq plis de validation de StratifiedGroupKFold. Les 68 nodules proviennent de 63 groupes de patients ; chaque pli excluait 12 à 15 nodules appartenant à 12 à 13 groupes de patients. Chaque valeur agrégée OOF utilise une prédiction par nodule effectuée dans le pli de validation qui excluait toutes les nodules du patient concerné. Figure 3 présente les matrices de confusion OOF agrégées correspondantes. Abréviations : OOF = hors du pli (out-of-fold) ; SVM = machine à vecteurs de support (Support Vector Machine).
| Rang | Caractéristique | Moyenne |SHAP| | Écart-type plié de la moyenne |SHAP| |
| 1 | Microcalcification | 0.0357 | 0.023 |
| 2 | Élargissement post-contraste | 0.0331 | 0.0165 |
| 3 | Homogénéité de l'enhancement | 0.0207 | 0.008 |
| 4 | Sexe | 0.0194 | 0.0109 |
| 5 | Écart-type de la vitesse d'écoulement | 0.0159 | 0.01 |
| 6 | Moyenne MVD | 0.0124 | 0.0086 |
| 7 | Temps moyen de transit | 0.0118 | 0.0069 |
| 8 | Vitesse d'écoulement minimale | 0.0107 | 0.0061 |
| 9 | Motif d'enhancement | 0.0103 | 0.0112 |
| 10 | Écart-type MVD | 0.0102 | 0.0077 |
Tableau 4 : Classement global des caractéristiques selon les valeurs SHAP pour le SVM. Les valeurs SHAP quantifient les contributions à la probabilité de malignité du SVM. Chaque nodule a été expliqué une fois dans son pli de validation par groupe de patients exclu. Les valeurs globales correspondent aux moyennes des valeurs SHAP absolues calculées sur 68 explications hors pli ; l'écart-type (SD) par pli est l'écart-type des moyennes des valeurs absolues spécifiques à chaque pli, calculé sur cinq plis. Les classements constituent des résumés exploratoires spécifiques au modèle et ne représentent pas des effets causaux, des biomarqueurs indépendants ou des seuils cliniques. Abréviations : OOF = out-of-fold (hors pli) ; SVM = Support Vector Machine (machine à vecteurs de support) ; MVD = densité microvasculaire ; SHAP = SHapley Additive exPlanations (explications additives de Shapley).
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 microvasculaire par échographie à super-résolution (SRUS), permettant une évaluation quantitative objective du risque de CPT dans les nodules thyroïdiens dans un contexte de recherche.
La contribution principale de cette étude est un cadre analytique au niveau du patient qui intègre des mesures de SRUS basées sur la localisation et utilisant des microbulles de contraste, avec l'échographie en mode B, le Doppler couleur, l'Échographie avec contraste (CEUS) qualitative et quantitative, ainsi que des variables cliniques, afin de classer les nodules thyroïdiens. La nouveauté réside dans l'incorporation d'informations microvasculaires mesurées expérimentalement au sein d'un ensemble prédéfini de 25 caractéristiques multimodales, puis dans leur évaluation à l'aide d'un regroupement des patients résistant aux fuites, plutôt que dans une nouvelle architecture de classificateur. Tous les nodules provenant d'un même patient ont été conservés dans un seul pli ; le scalair du SVM a été ajusté uniquement sur chaque ensemble d'apprentissage ; et l'évaluation du modèle a utilisé une validation croisée à cinq plis groupés par patient, des prédictions agrégées hors échantillon (OOF), ainsi qu'une analyse SHAP ciblée sur les prédictions OOF. Dans ce cadre, le SVM a obtenu la plus haute précision moyenne (0,686 ± 0,120) et la plus grande aire moyenne sous la courbe ROC (0,690 ± 0,164), mais sa spécificité agrégée hors échantillon était seulement de 0,500, et ses performances variaient selon les plis. Prises ensemble, ces résultats établissent une approche reproductible pour évaluer conjointement les données microvasculaires et les données échographiques conventionnelles au niveau du patient, tout en mettant en évidence les aspects nécessitant encore des améliorations avant une mise en œuvre clinique.
Des travaux antérieurs sur la thyroïde avaient établi la faisabilité de l'échographie de rétrodiffusion ultrasonore avec microbulles de contraste et avaient signalé des différences au niveau du groupe concernant le flux microvasculaire dans une cohorte pilote de 24 nodules26. Notre étude étend cette preuve de faisabilité d'imagerie selon trois aspects spécifiques. Premièrement, la densité vasculaire, la vitesse d'écoulement et les mesures de perfusion dérivées de l'échographie de rétrodiffusion ont été analysées conjointement avec les microcalcifications en mode B, la vascularisation intranodulaire en Doppler couleur, l'échographie avec contraste qualitative et quantitative, ainsi qu'avec l'âge et le sexe, plutôt que comme comparaison isolée d'échographie de rétrodiffusion. Deuxièmement, le patient a été considéré comme unité de séparation tout au long du prétraitement et de la validation, empêchant ainsi que des nodules provenant d'un même patient apparaissent à la fois dans les données d'apprentissage et de validation. Troisièmement, le même cadre regroupant les patients a permis de relier la performance du modèle aux prédictions agrégées hors échantillon (OOF) et à une analyse SHAP hors échantillon ciblée. Ensemble, ces éléments relient l'acquisition, la caractérisation microvasculaire quantitative, l'évaluation du modèle et son interprétation au sein d'un flux de travail unique et reproductible, fournissant ainsi une base sur laquelle des études futures pourront s'appuyer.
Nous avons identifié plusieurs études récentes sur l'application de l'intelligence artificielle et de l'apprentissage profond au diagnostic des nodules thyroïdiens malins. Il est utile de distinguer notre approche de celles-ci. Feng et al. ont développé un modèle multicentrique et multimodal pour la stratification du risque de carcinome thyroïdien papillaire avant la chirurgie27, tandis que Gatta et al. ont synthétisé des modèles d'apprentissage automatique évalués externement pour le diagnostic bénin contre malin à partir d'images échographiques thyroïdiennes conventionnelles28. Li et al. ont appliqué une super-résolution computationnelle à partir d'une seule image à l'échographie conventionnelle pour la localisation des nodules29, et He et al. ont utilisé des radiomiques en mode B améliorées par un réseau génératif antagoniste (GAN) pour prédire un résultat d'AGA non diagnostique (Bethesda I)30. Des approches tenant compte de la géométrie, basées sur le transfert d'apprentissage ou sur les Transformers illustrent davantage la diversité algorithmique des recherches en échographie thyroïdienne31. Ces études utilisent des images échographiques conventionnelles, des variables cliniques ou d'imagerie multimodales, ou des représentations d'images améliorées par calcul ; elles ne localisent pas les microbulles de contraste injectées ni ne quantifient directement la densité et le flux microvasculaires au niveau des lésions. Habchi et al. ont appliqué un cadre de transfert d'apprentissage basé sur VGG19 à des images échographiques thyroïdiennes conventionnelles et ont signalé une grande précision de classification sur un jeu de données public32. Bien que leurs travaux aient démontré le potentiel de l'apprentissage profond dans ce domaine, ils s'appuyaient uniquement sur des caractéristiques d'images en mode B.
Par comparaison, la contribution spécifique ici est l'utilisation de l'US à super-résolution basée sur le positionnement local pour obtenir des variables microvasculaires mesurées expérimentalement, leur intégration avec les caractéristiques classiques de l'échographie et de l'Échographie avec contraste (ÉCC), ainsi que leur évaluation regroupée par patient. Les études citées restent complémentaires plutôt que comparables en termes de performance directe, car leurs entrées, points finaux, standards de référence et conceptions de validation diffèrent, et nous considérons cette complémentarité comme un atout, car elle suggère plusieurs voies indépendantes menant à une meilleure stratification du risque. De manière notable, nos résultats complètent également les approches fondées sur l'apprentissage profond, telles que le cadre de transformation en Bandelets sensible à la géométrie proposé par Habchi et al.31 et les références d'apprentissage par transfert de Xu et al., qui se concentrent sur la classification d'images en mode B classique plutôt que sur des biomarqueurs hémodynamiques quantitatifs33 — des modalités d'entrée fondamentalement différentes qui capturent des aspects distincts de la biologie tumorale.
Nos résultats indiquent des différences significatives dans les performances des cinq classificateurs évalués. Le SVM offre les meilleures performances en termes de précision moyenne (0,686 ± 0,120) et de ROC-AUC (0,690 ± 0,164), et présente l'écart-type le plus faible en validation croisée, ce qui démontre sa robustesse sur des tâches à petits échantillons. Une validation OOF regroupée a en outre confirmé que la sensibilité du SVM était de 84,2 % (32 des 38 nodules malins ont été correctement identifiés) et que son score F1 était de 0,753, le plus élevé parmi tous les modèles. Cette capacité de détection puissante présente une valeur importante en pratique clinique, car un diagnostic manqué peut entraîner des conséquences graves. Toutefois, la spécificité n’était que de 50,0 % (15 des 30 nodules bénins ont été mal classés), une tendance qui nécessite une interprétation prudente. Cette spécificité modeste reflète probablement la nature en haute dimension de notre jeu de données (25 prédicteurs pour 30 échantillons bénins). Dans un espace de caractéristiques aussi clairsemé, la frontière de décision du SVM est disproportionnellement influencée par quelques nodules bénins présentant des caractéristiques microvasculaires de type malin, ce qui pousse le classificateur à adopter une stratégie conservatrice — en classant les cas ambigus comme malins — afin de minimiser les faux négatifs. Du point de vue clinique, ce compromis est acceptable dans les scénarios de dépistage : les conséquences d’un diagnostic manqué de CPT peuvent être bien plus graves que celles d’une ACIF inutile. Dans les recherches futures, il sera préférable de privilégier un échantillon plus important, notamment en ajoutant davantage d’échantillons bénins, et de réessayer des méthodes d’apprentissage sensible aux coûts ou de réduction de dimensionnalité afin de maintenir la sensibilité tout en améliorant la spécificité.
Le RF présente une exactitude moyenne (0,548 ± 0,176), inférieure à celle du SVM. Toutefois, le RF a montré une performance agrégée équilibrée en dehors de l'échantillon (OOF) (exactitude 55,9 %, sensibilité 55,3 %, spécificité 56,7 %), ce qui est précieux pour les systèmes d'aide à la décision clinique. L'importance fondée sur l'impureté a classé la MVD moyenne, la vitesse moyenne du flux et l'indice de perfusion parmi les variables principales, indiquant un signal SRUS pertinent. XGBoost et le Gradient Boosting ont eu des performances intermédiaires ; aucun n'a surpassé le RF, probablement en raison de la sensibilité aux hyperparamètres compte tenu de la taille limitée de l'échantillon (n = 68) et d'une régularisation conservatrice. L'arbre de décision (DT) a eu de mauvaises performances (exactitude 0,429, AUC-ROC 0,447), se rapprochant d'une prédiction aléatoire — un résultat attendu étant donné le surajustement lié à l'utilisation d'un arbre unique. En résumé, le SVM est préférable lorsque la maximisation de la sensibilité est une priorité, tandis que le RF offre des avantages en termes de performance équilibrée et d'interprétabilité ; les deux méthodes nécessitent des investigations supplémentaires.
L'analyse SHAP ciblée a identifié la microcalcification, l'élargissement post-contraste et l'homogénéité de l'enhancement comme les trois facteurs prédictifs les plus importants, suivis par le sexe et les paramètres SRUS, notamment l'écart-type de la vitesse d'écoulement sanguin, la MVD moyenne et le temps de transit moyen. Les caractéristiques conventionnelles prédominent, mais les paramètres SRUS fournissent des informations indépendantes et supplémentaires. L'importance des indicateurs SRUS est conforme à leurs avantages physiques. La SRUS peut atteindre une résolution d'environ 10 µm, tandis que la résolution du Doppler traditionnel est limitée à environ 200–300 µm. Zhang et al. ont confirmé que les nodules malins présentent une vitesse d'écoulement plus faible (9,86 contre 16,76 mm/s, p < 0,01) et une MVD19, reflétant la biologie fibreuse et dominée par les lymphatiques du CPT. Nos résultats SHAP sont biologiquement plausibles, et leur concordance avec les critères TI-RADS soutient un apprentissage de motifs cliniquement significatifs8.
Une stratification précise du risque a des implications importantes pour les soins aux patients et la prise de décision clinique. Si les nodules à haut risque peuvent être identifiés par analyse ML des images SRUS, les patients pourraient bénéficier d'une AFG plus rapide, réduisant ainsi l'anxiété et empêchant la progression du cancer. Les nodules sélectionnés à faible risque pourraient quant à eux être surveillés par échographie. Des mesures quantitatives de la microvascularisation pourraient éventuellement compléter les observations conventionnelles dans ce processus. Toutefois, la présente étude n'a pas évalué si la sortie du classificateur améliore les performances des médecins, réduit les procédures d'AFG inutiles ou modifie les résultats pour les patients. Les résultats du modèle ne doivent donc pas encore guider les décisions cliniques. Ils doivent plutôt être considérés comme des outils de recherche démontrant une preuve de principe et fournissant une base pour une évaluation prospective. Lors de l'analyse, tous les nodules d'un même patient doivent rester dans le même sous-groupe, et le prétraitement doit être ajusté en utilisant uniquement la partie d'entraînement de ce sous-groupe.
Plusieurs limites doivent être prises en compte. Premièrement, il s'agissait d'une étude rétrospective monocentrique portant sur 68 nodules provenant de 63 patients, sans validation externe ; la taille réduite de l'échantillon pourrait augmenter le risque de surajustement. Néanmoins, la validation croisée groupée par patient offre une certaine garantie. Deuxièmement, toutes les étiquettes de référence ont été obtenues par cytologie à partir de ponctions aspiratives à l'aiguille fine (FNAC) guidées par échographie, plutôt que par histopathologie postopératoire. La FNAC fournit des preuves cytologiques mais ne remplace pas la confirmation histologique postopératoire et peut introduire des erreurs de classification, notamment parmi les nodules classés comme bénins, même si nous avons restreint le champ des nodules bénins et réalisé un test génique BRAFV600E sur tous les nodules. Troisièmement, le groupe de nodules malins était limité aux nodules diagnostiqués comme carcinomes thyroïdiens papillaires (PTC) à la FNAC, ce qui limite la généralisation à d'autres types de cancers thyroïdiens. Quatrièmement, d'autres facteurs cliniques (fonction thyroïdienne, antécédents familiaux) n'ont pas été systématiquement recueillis. Enfin, aucune optimisation systématique des hyperparamètres, aucune analyse de calibration ni aucune comparaison indépendante basée sur l'analyse d'images par apprentissage profond n'a été réalisée. Malgré ces limites, la cohérence de nos résultats avec la plausibilité biologique et la littérature existante renforce la confiance dans leur validité. Les recherches futures devraient prioriser : (1) une validation prospective multicentrique sur des cohortes plus larges avec histopathologie postopératoire ; (2) la fusion multimodale intégrant l'échographie par résonance (SRUS) avec l'élastographie et l'échographie conventionnelle ; (3) les biomarqueurs sériques, des protocoles normalisés d'acquisition, des critères de contrôle qualité34, ainsi que l'optimisation de l'ingénierie des caractéristiques.
En conclusion, cette étude démontre la faisabilité d'appliquer des algorithmes classiques d'apprentissage automatique à des mesures microvasculaires quantitatives par SRUS afin de soutenir la classification exploratoire des nodules thyroïdiens. Le SVM a montré une sensibilité élevée mais une spécificité limitée, ce qui soutient son rôle potentiel comme outil de dépistage plutôt que comme remplacement diagnostique. Bien que préliminaires, nos résultats établissent un protocole d'évaluation reproductible et résistant aux fuites, et justifient une validation prospective dans des cohortes plus importantes.
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.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Classificateur d'arbre de décision | scikit-learn | Version 1.5.2 | Classificateur d'apprentissage automatique |
| Aiguille de biopsie par aspiration à l'aiguille fine | Utilisée pour la FNAC guidée par échographie | ||
| Classificateur Gradient Boosting | scikit-learn | Version 1.5.2 | Classificateur d'apprentissage automatique |
| Cathéter intraveineux | Utilisé pour l'administration du produit de contraste | ||
| Python | Python Software Foundation | Version 3.11.9 | Langage de programmation utilisé pour l'analyse d'apprentissage automatique |
| Classificateur Forêt aléatoire | scikit-learn | Version 1.5.2 | Classificateur d'apprentissage automatique |
| SHAP (explicateur par permutation) | SHAP Developers | Version 0.46.0 | Analyse d'explicabilité du modèle |
| Agent de contraste SonoVue | Bracco | Agent de contraste échographique pour l'imagerie CEUS/SRUS | |
| StandardScaler | scikit-learn | Version 1.5.2 | Standardisation des caractéristiques pour le pipeline SVM |
| Sérum physiologique stérile | Utilisé pour le rinçage intraveineux après l'injection de produit de contraste | ||
| StratifiedGroupKFold | scikit-learn | Version 1.5.2 | Validation croisée groupée par patient |
| Classificateur Machine à vecteurs de support (SVM) | scikit-learn | Version 1.5.2 | Classificateur à noyau de fonction de base radiale |
| Transducteur linéaire U5-15LE | VINNO Technology | U5-15LE | Probe échographique linéaire |
| Système échographique ULTIMUS 9E | VINNO Technology | ULTIMUS 9E | Système d'imagerie échographique utilisé pour l'imagerie en mode B, Doppler couleur, CEUS et SRUS |
| XGBoost | XGBoost Developers | Version 2.1.1 | Infrastructure de boosting par gradient |
Références
- 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.