הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

מאפייני מיקרו-כלי דם כמותיים ברזולוציה גבוהה מעבר למגבלת הדיפרקציה (Super-Resolution) באולטרסאונד לצורך סיווג קשרית בבלוטת התריס המבוס על למידת מכונה

211 צפיות

⸱

11 בספטמבר 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

במאמר זה

סיכום

מחקר זה השווה בין חמישה אלגוריתמים של למידת מכונה לסיווג קשריות בבלוטת התריס באמצעות מאפייני אולטרסאונד ברזולוציה גבוהה (super-resolution). SVM הניב את התוצאות הטובות ביותר (דיוק של 68.6%, שטח תחת העקומה (AUC) של 0.690), וזיהה כי מיקרו-הסמכה (microcalcification) והגדלה לאחר הזרקת חומר ניגוד הם גורמים תורמים מרכזיים, אך הממצאים דורשים תיקוף חיצוני לפני יישום קליני.

תקציר

מחקר זה השווה בין חמישה אלגוריתמים של למידה חישובית (Machine Learning)—Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT), eXtreme Gradient Boosting (XGBoost) ו-Gradient Boosting (GB)—לסיווג קשריות בבלוטת התריס באמצעות מאפיינים כמותיים שהופקו מאולטרסאונד קונבנציונלי, אולטרסאונד עם חומר ניגוד (CEUS) ואולטרסאונד ברזולוציה-על (SRUS). המחקר הרטרוספקטיבי כלל 68 קשריות בבלוטת התריס מ-63 מטופלים (30 שפירות ו-38 שאובחנו כקרצינומה פפילרית של בלוטת התריס [PTC]) ונחקר באמצעות 25 מאפיינים כמותיים בשיטה של וולידציה צולבת מחומש מקובצת לפי מטופלים (five-fold patient-grouped cross-validation), כדי להבטיח שכל הקשריות מאותו מטופל יוקצו לאותה קבוצה. ביצועי המודלים סוכמו על פני הקבוצות ומתוך תחזיות מאוחדות מחוץ לקבוצה (pooled out-of-fold [OOF]), ובוצע ניתוח SHapley Additive exPlanations (SHAP) ממוקד של ה-OOF באמצעות מסביר מבוס פרמוטציה עבור מודל ה-SVM שהשיג את הביצועים הטובים ביותר. ה-SVM השיג את ממוצע הדיוק הגבוה ביותר (0.686 ± 0.120) ואת ממוצע השטח תחת העקומה של מאפייני תפקודיות מקלט (ROC-AUC) הגבוה ביותר (0.690 ± 0.164), עם רגישות OOF מאוחדת של 0.842 וספציפיות של 0.50, כאשר מיקרו-הסתיידויות והגדלה לאחר מתן חומר ניגוד זוהו כהגורמים המשמעותיים ביותר לביצועי המודל בניתוח ה-SHAP. ה-RF הציג ביצועים מאוזנים (דיוק 55.9%, רגישות 5.3%, ספציפיות 56.7%), בעוד שה-DT הציג ביצועים נמוכים (דיוק 0.429, ROC-AUC 0.47), קרוב לניחוש אקראי. המחקר הדגים כי ניתן לשלב מדידות כמותיות של SRUS במסווגים קונבנציונליים; עם זאת, הממצאים נותרים במעמד של מחקר גישוש ודורשים תיקוף פרוספקטיבי רב-מרכזי עם קהל מחקר גדול יותר לפני יישום קליני.

מבוא

קשרי בלוטת התריס מהווים ממצא קליני נפוץ מאוד, עם שיעורי גילוי המגיעים ל-68% באוכלוסיות אסימפטומטיות כאשר הן נבדקות באמצעות בדיקת אולטרסאונד1. מטא-אנליזות אחרונות חשפו כי השכיחות העולמית של קשרי בלוטת התריס עלתה מ-21.53% במהלך השנים 20-2011 ל-29.29% במהלך השנים 2012-202, ומשפיעה על בערך אחד מכל ארבעה אנשים באוכלוסייה הכללית2,3. מבין קשרים אלו, 7–15% מאובחנים בסופו של דבר כסרטן בלוטת התריס, כאשר קרצינומה פפילרית של בלוטת התריס (PTC) מהווה את תת-הסוג השכיח ביותר4,5. PTC מהווה 80–90% מכלל גידולי הסרטן של בלוטת התריס והפכה לאחד מסוגי הסרטן בעלי קצב הצמיחה המהיר ביותר, עם שיעורי היארעות שעלו מ-4.8 ל-14.9 ל-10,00 בין השנים 1975 ו-20126.

אולטרסאונד קונבנציונלי נותר אבן היסוד להערכה של קשרי בלוטת התריס, שכן הוא מציע מודאליות אבחנתית שאינה פולשנית, יעילה מבחינה כלכלית ונגישה באופן נרחב7. מאפיינים סונוגרפיים מסורתיים המרמזים על ממאירות כוללים היפואקוגניות בולטת, שוליים לא סדירים, מיקרו-הסתיידים ומבנה שגובהו רב מרוחבו8,9. עם זאת, הוא מוגבל באופן יסודי על ידי מחסום עקיפת האקוסטיקה, המגביל את הרזולוציה המרחבית לכ-100 micrometers10. הגבלה זו מצמצמת משמעותית את היכולת להדמיות של מיקרו-כלי דם ולהערכה של מורפולוגיה וסקולרית עדינה, שהם פרמטרים קריטיים להבחנה בין נגעים שפירים לממאירים בבלוטת התריס1. הדמיית זרימה ב-Color Doppler (CDFI) ואולטרסאונד עם חומר ניגוד (CEUS), למרות שהם משפרים את גילוי זרימת הדם, יכולים להדגים רק כלי דם עם מהירויות זרימה העולות על 1 cm/s ונותרים מוגבלים על ידי רזולוציה המוגבלת עקביות לעקיפה12,13.

אולטרסאונד ברזולוציית-על (SRUS), כטכנולוגיה טרנספורמטיבית, מתגבר על מגבלת הדיפרקציה המסורתית של מערכות אולטרסאונד קונבנציונליות14,15. באמצעות שימוש במיקרו-בועות ניגודיות כמטרות נקודתיות לצורך לוקליזציה ומעקב, SRUS משיג רזולוציה מרחבית בקנה מידה של מיקרונים, מה שמאפשר ויזואליזציה וכימות של מיקרו-וסקולטורה ברמת פירוט חסרת תקדים16,17. טכניקה זו יכולה למדוד הן צפיפות מיקרו-וסקולרית (MVD) והן קצב זרימה מיקרו-וסקולרית (MFR), ובכך לספק הערכות מבניות ותפקודיות שאינן ניתנות להשגה בדיוק זה באמצעות דימות לא פולשני17,18. מחקרי פיילוט הדגימו כי קשריים שפירים בבלוטת התריס מראים MFR גבוה משמעותית מאלו ממאירים, עם ערכי ממוצע של 16.76 ± 6.82 mm/s לעומת 9.86 ± 4.54 mm/s, בהתאמה19. ההצגה של "מיקרו-וסקולומיקה של אולטרסאונד"—חילוץ בעלת תפוקה גבוהה של מאפיינים כמותיים מתמונות SRUS—משפרת עוד יותר את הפוטנציאל להערכה מיקרו-וסקולרית מדויקת ומותאמת אישית.

למידת מכונה (ML) חוללה מהפכה בניתוח תמונות רפואיות, ובמיוחד באפיון קשריות בבלוטת התריס20,21. מודלים של למידה עמוקה, ובמיוחד רשתות נוירונים קונבולוציוניות (CNNs), השיגו במחקרים קודמים ערכי ROC-AUC (שטח תחת העקומה של מאפייני תפעול המקלט) העולים על 0.902,23,24. גישות של למידת מכונה מבוסות אנסמבל (Ensemble), המשלבות מספר אלגוריתמים — כולל Random Forest (RF), Support Vector Machines (SVM), Decision Trees (DT), Gradient Boosting (GB) ו-eXtreme Gradient Boosting (XGBoost) — הראו פוטנציאל בשיפור הדיוק האבחנתי והחסינות במאגרי נתונים הטרוגניים21. כפי שסקרו לאחרונה באופן מקיף Habchi et al.25, תחום הבינה המלאכותית (AI) לסרטן בלוטת התריס התרחב במהירות וכולל כעת ממירים ויזואליים, מודלי שפה גדולים וארכיטקטורות היברידיות, דבר המשקף את התפתחות התחום לעבר מסגרות אבחוניות מבוסות תמונה מורכבות יותר ויותר.

בעוד שמאפייני אולטרסאונד קונבנציונליים נחקרו רבות בשילוב עם אלגוריתמי AI, השילוב של פרמטרים מיקרו-וסקולריים ברזולוציה-על עם מודלי ML נותר במידה רבה בלתי נחקר. למרות הפוטנציאל המבטיח של טכנולוגיית SRUS והיעילות המוכחת של אלגוריתמי למידה מכונה בדימות רפואי, מספר שאלות קריטיות נותרו ללא מענה. ראשית, איזו ארכיטקטורת למידה מכונה — בין אם אלגוריתמים מסורתיים כגון RF ו-SVM, או שיטות ensemble מתקדמות כמו XGBoost ו-GB — מציגה ביצועים אופטימליים כאשר היא מיושמת על מאפיינים מיקרו-וסקולריים המופקים מ-SRUS? שנית, כיצד מודלים אלו משתווים במונחים של רגישות, סגוליות ודיוק אבחנתי כללי להבחנה בין קשרי בלוטת התריס שפירים לממאירים? שלישית, אילו פרמטרים מיקרו-וסקולריים שחולצו מדימות SRUS תורמים בצורה המשמעותית ביותר לביצועי הסיווג? מענה לשאלות אלו חיוני לביסוס מסגרות מבוסות-ראיות עבור יישום קליני של אבחון קשרי בלוטת התריס בסיוע SRUS.

בהתאם לכך, מחקר זה שואף להעריך באופן מקיף את ביצועיהם של חמישה אלגוריתמי ML (RF, SVM, DT, XGBoost ו-GB) לסיווג קשרי בלוטת התריס באמצעות נתוני הדמיה מיקרו-וסקולרית של אולטרסאונד ברזולוציה גבוהה (super-resolution). באמצעות השוואה שיטתית של גישות אלו וזיהוי הביומרקרים המיקרו-וסקולריים המידעתיים ביותר, חקירה זו שואפת לקדם את הפרדיגמה האבחנתית לאפיון קשרי בלוטת התריס ולתרום למבנה הראיות הגדל התומך בתועלת הקלינית של טכנולוגיית SRUS בהדמיה אונקולוגית. השערתנו הייתה שסט ערכים מוגדר מראש של 25 משתנים יספק הבחנה גבוהה מהסיכוי המקרי בין קשריים שפירים לקשריים שדווחו כקרצינומה פפילרית של בלוטת התריס. נעשה שימוש באימות צולב מקובץ מטופלים (Patient-grouped cross-validation) כדי להפחית זליגת מידע, והתווסף ניתוח SHAP ממוקד כדי לתאר כיצד השתמש המסווג שנבחר במשתנים שנמדדו. שני הניתוחים היו גששים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מערך המחקר ואוכלוסיית המטופלים

מחקר רטרוספקטיבי זה ניתח בדיקות אולטרסאונד של בלוטת התריס שנערכו בין 13 ביוני 2024 ל-13 בינואר 2025. פרוטוקול המחקר אושר על ידי ועדת האתיקה של בית החולים Beijing Friendship, Capital Medical University (מספר אישור BFHHZS20240300) ונערך בהתאם לעקרונות האתיים המפורטים בהצהרת הלסינקי, והסכמה מדעת בוטלה בשל העיצוב הרטרוספקטיבי. מערך הנתונים כלל 68 קשריות בבלוטת התריס מ-63 מטופלים (30 שפירות ו-38 ממאירות), והקשרית שימשה כיחידת הניתוח. אבחנות הייחוס התבססו על ציטולוגיה של שאיבה במחט דקה (FNAC) תחת הנחיית אולטרסאונד. הקבוצה הממאירה כללה 38 קשריות שדווחו כקרצינומה פפילרית של בלוטת התריס בבדיקת ה-FNAC.

קריטריוני הכללה

מטופלים זכאים נדרשו לעמוד בכל הקריטריונים הבאים: (1) עברו בדיקת אולטרסאונד קונבנציונלית בגווני אפור ובדופלר, ולאחריה CEUS עם איכות תמונה מספקת המאפשרת ניתוח עוקב של הדמיית זרימה מיקרו-וסקולרית; (2) היו בעלי אבחנה ציטופתולוגית של PTC שאושרה על ידי ביופסיה באמצעות שאיבה במחט דקה, עם או בלי בדיקה חיובית נלווית למוטציה BRAFV600E; או היו בעלי תוצאה ציטולוגית מקטגוריה III של Bethesda (אטיפיה בעלת משמעות לא ידועה), אך עם בדיקה חיובית בו-זמנית למוטציה BRAFV600E; (3) היו בעלי אבחנה ציטופתולוגית של קשריים שפירים, פרוליפרטיביים, קשריים אדנומטאוזיים או קשריים פוליקולריים שפירים בקטגוריה II של Bethesda ללא בדיקה חיובית נלווית למוטציה BRAFV600E.

קריטריוני הדרה

מטופלים הוצאו מהמחקר אם התקיים אחד מהתנאים הבאים: (1) תמונות CEUS באיכות נמוכה או אות מיקרו-בועות שאינו מספיק, המונעים הערכה מהימנה של זרימה מיקרו-וסקולרית; (2) היעדר תוצאות ציטולוגיות או פתולוגיות; (3) אבחנה היסטופתולוגית של תת-סוג נדיר או מיוחד של קרצינומה של בלוטת התריס (למשל, וריאנטים אנפלאסטיים); או (4) ממצאים ציטולוגיים המרמזים על נבכי פוליקולרי (קטגוריית Bethesda IV) או כל נגעי בעל מקור פוליקולרי לא מוגדר, ללא קשר למצב מוטציוני; (5) דלקת בלוטת התריס מסוג Hashimoto

רכישת Ultrasound, CEUS ו-SRUS

כל הבדיקות בוצעו באמצעות מערכת האולטרסאונד המוזכרת ומתמר בעל מערך ליניארי. המטופלים הונחו בשכיבה על הגב עם צוואר מתוח. קשרי shrunk (nodule) המטרה איתרו ונמדדו בבדיקת אולטרסאונד ב-B-mode; מיקרו-הסמכות תועדו, ואותו מישור הדמיה ממורכז לנגע שימש להערכת כלי הדם בתוך הקשרית באמצעות Color Doppler.

לאחר הקמת גישה תוורידית, המערכת הועברה למצב CEUS/URM עם אינדקס מכני נמוך (URM פירושו Ultra-Resolution Microscopy imaging). ה-CEUS בוצע באמצעות הזרקה תוורידית בבוליס של 1.2 mL של SonoVue, ואחריה מיד שטיפה של 5ml תמיסת סלין; הטיימר על המסך ורכישת ה-cine הרציפה הופעלו עם מתן הבוליס. המתמר נשמר במישור קבוע עם לחץ מינימלי, והמטופל התבקש להימנע מבליעה במהלך שלבי ה-wash-in וה-wash-out.

עבור CEUS כמותי, נעשה שימוש באזור עניין (ROI) המוגבל לנגע כדי להפיק את פרמטרי הזמן-עוצמה. עבור SRUS, זרימת העבודה של ה-URM איתרה ועקבה אחר אותות מיקרובועות לאחר בקרת תנועה, והפיקה מדידות של יחס כלי דם, מורכבות, צפיפות מיקרו-וסקולרית, מדד פרפוזיה ומהירות זרימה. ייצוא התמונות המייצגות הראה הגדרות של VSP 4, RES 2, CTR 3, SM 2, VEN 3, ו-CPT 10 s; הגדרות תואמות לא היו זמינות עבור שאר הבדיקות.

25 משתני הקלט של המודל מפורטים ב- טבלה 1 וכלו חולקו לפי שיטת הרכישה: גיל ומין; מיקרוקלציפיקציות ב-B-mode; וסקולריות תוך-קשרית ב-Color Doppler; CEUS איכותני; CEUS כמותי; ו-11 מדדי מיקרו-וסקולריות ב-SRUS.

בחירת מאפיינים

כל 25 המאפיינים הכמותיים נשמרו במודלי הלמידה המכנית. נעשה שימוש במאפיינים מספריים בלבד; שמות מטופלים, מספרי רישום ושדות גודל נגף הוצאו מהניתוח. לא בוצע בחירת מאפיינים מבוססת נתונים, ואותם משתנים מנבאים שנקבעו מראש הוזנו לכל מסווג.

סטנדרטיזציה של מאפיינים

לא הוחלו טרנספורמציה, השלמה (imputation) או סקלינג גלובלי לפני תיקוף צולב (cross-validation). סטנדרטיזציה הוחלה רק על ה-SVM בעל פונקציית בסיס רדיאלית באמצעות pipeline של StandardScaler. הסקיילר הותאם (fitted) על קשרי האימון בכל קיפול (fold) ולאחר מכן הוחל על קשרי התיקוף של אותו קיפול. מסווגים מבוססי-עץ קיבלו את הסקאלות המספריות המקוריות:

נוסחת סטנדרטיזציה \( z = \frac{x - \mu}{\sigma} \), שיטה סטטיסטית.

כאשר x הוא ערך המאפיין המקורי, µ הוא הממוצע של קיפול האימון, ו-σ היא סטיית התקן של קיפול האימון. עיבוד מקדים לפי קיפולים מנע מתצפיות תיקוף לתת תרומה לפרמטרי השקלול של ה-SVM.

חלוקת נתונים

הערכת הביצועים הראשונית השתמשה בבדיקה צולבת מסוג StratifiedGroupKFold עם חמישה קיפולים, כאשר shuffle = True ו-random_state = 42. מזהה מטופל הגדיר 63 קבוצות, וכל הפסוליות מאותו מטופל הוקצו לאותו קיפול. אף מטופל לא תרם פסוליות הן לתת-קבוצת האימון והן לתת-קבוצת התיקוף של אותו קיפול.

אימון ותיקוף של המודל

פרוטוקול אימון

חמישה מסווגים הוערכו: random forest (100 trees; random_state = 42), radial-basis-function SVM (C = 1.0; gamma = scale; probability = True; StandardScaler pipeline; random_state = 42), עץ החלטה (Gini criterion; עומק ללא הגבלה; random_state = 42), XGBoost (100 estimators; learning_rate = 0.3; max_depth = 6; subsample = 1.0; colsample_bytree = 1.0; random_state = 42), ו-gradient boosting (100 estimators; learning_rate = 0.1; max_depth = 3; random_state = 42). לא בוצעו חיפושי רשת (grid search), אופטימיזציה בייסיאנית, כיוונון סף או בחירת מודל מקננת.

תיקוף צולב (Cross-validation)

בתוך כל אחד מחמישה קיפולים (folds) המקובצים לפי חולים, המודלים אומנו על קבוצות החולים הנותרות והוערכו על הקבוצות שהוצאו. עבור כל קיפול חושבו דיוק (accuracy), רגישות (sensitivity), סגוליות (specificity), דיוק חיזוי (precision), מדד F1 ו-ROC-AUC, אשר סוכמו כערך ממוצע ± SD. תחזיות OOF אופספסו מכל 68 הפסולות (nodules) כדי להפיק עקום ROC אחד בבדיקה צולבית ומטריצת בלבול אחת עבור כל מודל.

הערכת ביצועים

מדדי הערכה

ביצועי המודל הוערכו בתוך כל קיפול אימות מקובץ מטופלים ומתוך תחזיות OOF מאוחדות באמצעות המדדים הבאים:

דיוק: הפרופורציה הכוללת של תחזיות נכונות

נוסחת דיוק, ACC=(TP+TN)/(TP+TN+FP+FN), משוואה למדידה סטטיסטית.

רגישות (Recall): פרופורציית הפ nodules הממאירים בפועל שזוהו נכון

שיטת ספקטרוסקופיה עם המשוואה SEN=; תרשים בליעה-פליטה; מערך למחקר אופטי.  משוואת דיוק (TP/TP+FN) לניתוח נתונים.

סגוליות: פרופורציית הקשריים השפירים שזוהו נכון

נוסחת סגוליות: SPE = TN/(TN+FP), משוואה, ניתוח סטטיסטי, ביצועים אבחנתיים.

דיוק (ערך ניבוי חיובי): פרופורציית המקרים שנחזו כזיווניים שהיו אכן זיווניים

נוסחת ערך ניבוי חיובי, חישוב PPV, משוואה עם חיוביים אמיתיים (TP) וחיוביים שגויים (FP).

מדד F1: ממוצע הרמוני של הדיוק (precision) וה재קריאה (recall)

נוסחת מדד F1 ‏F1=2(Precision×Recall)/(Precision+Recall), משוואה מתמטית.

השטח תחת העקומה של מאפייני תפעול המקלט (ROC-AUC): מדד ליכולתו של המודל להבחין בין קשריות שפירות לזדוניות בכל ספי thresholds של סיווג

כאשר TP = חיוביים אמיתיים (קשריות ממאירות שזוהו נכון), TN = שליליים אמיתיים (קשריות שפיריות שזוהו נכון), FP = חיוביים שגויים (קשריות שפיריות שסווגו בטעות כממאירות), ו-FN = שליליים שגויים (קשריות ממאירות שסווגו בטעות כשפיריות).

ניתוח מטריצת בלבול (Confusion matrix)

מטריצות בלבול מסוג OOF הופקו על ידי איחוד התחזיות שבוצעו עבור כל קשרית רק בקיפול (fold) שבו אותו מטופל הושאר בחוץ. לפיכך, כל קשרית קיבלה תחזית ממודל שאומן על קשריות של מטופלים אחרים.

ניתוח חשיבות מאפיינים (Feature importance analysis)

עבור מודל ה-Random Forest, חושבו מדדי חשיבות של מאפיינים (feature importance scores) על בסיס הירידה הממוצעת בטומאת ג'יני (Gini impurity) בכל עצי ההחלטה. 15 המאפיינים החשובים ביותר זוהו ודורגו כדי לקבוע אילו פרמטרים מיקרו-וסקולריים תרמו באופן המשמעותי ביותר לביצועי הסיווג.

ניתוח SHAP גילויים (Exploratory)

בוצע ניתוח OOF SHAP ממוקד עבור ה-SVM באמצעות מסביר מבוסס פרמוטציות. עבור כל רכיב (nodule) שהושאר בחוץ, רק התצפיות בקיפולי האימון המתאימים שימשו כהתפלגות הרקע (128 פרמוטציות אנטיתטיות; random seed = 20260716). ערכי SHAP מוחלטים ממוצעים סיכמו את גודל התרומות, וערכים עם סימן הצביע על הכיוון. הניתוח היה גששי ולא שימש להסקת סיבתיות, זיהוי ביומרקרים עצמאיים או הגדרת ספי thresholds קליניים.

ניתוח סטטיסטי

ניתוח השוואתי

ביצועי המודל סוכמו באופן תיאורי על פני חמשת מקטעי התיקוף (validation folds) מקובצי המטופלים ובחיזויים מאוחדים מחוץ לדגימה (pooled OOF predictions). לא בוצע מבחן השערות פורמלי בין המודלים או דירוג המבוסס על ערכי P, מכיוון שהמקטעים קשורים זה לזה והקוהורט קטן.

עבור השוואות של קבוצות הבסיס, נבדקה הנורמליות של משתנים רציפים בכל קבוצת תוצאה באמצעות מבחן Shapiro-Wilk. מבחן t של Welch שימש כאשר שתי הקבוצות היו תואמות להתפלגות נורמלית; אחרת, נעשה שימוש במבחן Mann-Whitney U דו-זנבי. משתנים קטגוריאליים נבדקו באמצעות מבחן חי-square של Pearson, כאשר עבור טבלאות 2 x 2 דלילות נעשה שימוש במבחן המדויק של Fisher. ערכי P היו דו-זנביים, סקרים ולא מתוקננים (alpha = 0.05).

שחזוריות

השחזוריות נתמכה על ידי הגדרה ספציפית של קבוצת החולים, גרעין אקראי קבוע (42), תצורות סיווג קבועות ועיבוד מקדימה לפי קיפול (fold-wise preprocessing). מזהים שימשו לקבוצות בלבד ולא הוזנו כגורמים לניבוי או יוצאו יחד עם תוצרי המודל.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

מאפייני חולים ואוכלוסיית המחקר

בסך הכל נכללו 68 קשריות של בלוטת התריס מ-63 מטופלים, הכוללים 30 קשריות שפירות ו-38 מקרים של PTC. הקשרית שימשה כיחידה האנליטית, וקיבוץ המטופלים מנע מקשריות מאותו מטופל להופיע הן בתת-קבוצת האימון והן בתת-קבוצת התיקוף. המאפיינים הבסיסיים מסוכמים ב- טבלה 2.

איור 1 מציג שחזורי SRUS/URM מוצלחים מבחינה טכנית המוגבלים לנגע, מבלוטה שפירה מייצגת ומבלוטה שדווחה כ-PTC על פי FNAC מונחה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

גישות אבחוניות נוכחיות לקשריות בבלוטת התריס מסתמכות בעיקר על אולטרסאונד קונבנציונלי, אשר נותר מטבעו תלוי במבצע הבדיקה וכפוף לשונות בין בוחנים5 ולחוסר יכולת להדמיית מיקרו-כלי דם מתחת לגבול הדיפרקציה. למיטב ידיעתנו, המחקר שלנו הוא ההערכה המקיפה הראשונה של מספר אלגוריתמים של למידת מכונה המיושמים על נתוני הדמיית מיקרו-כלי דם באולטרסאונד ברזולוציה גבוהה (SRUS), ובכך הושגה הערכה כמותית אובייקטיבית של הסיכון ל-PTC בקשריות של בלוטת התריס במסגרת מחקרית.

התרומה העיקרית של מחקר זה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין ניגודי עניינים להצהיר עליהם.

תודות

המחברים מודים לצוות המחלקה לאולטרסאונד של בית החולים Beijing Friendship Hospital, Capital Medical University, על סיועם באיסוף נתוני המטופלים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מסווג Decision Treescikit-learnVersion 1.5.2מסווג למידת מכונה
מחט לביופסיה בשאיבה עם מחט דקהמש ל-FNAC מודרך באולטרסאונד
מסווג Gradient Boostingscikit-learnVersion 1.5.2מסווג למידת מכונה
קתטר תוורידימש למתן חומר ניגוד
PythonPython Software FoundationVersion 3.11.9שפת תכנות המשמשת לניתוח למידת מכונה
מסווג Random Forestscikit-learnVersion 1.5.2מסווג למידת מכונה
SHAP (permutation explainer)SHAP DevelopersVersion 0.46.0ניתוח הסבירות של המודל
חומר הניגוד SonoVueBraccoחומר ניגוד לאולטרסאונד לצילומי CEUS/SRUS
StandardScalerscikit-learnVersion 1.5.2סטנדרטיזציה של תכונות עבור pipeline של SVM
סליין נורמלי סטרילימש לשטיפה תוורידית לאחר הזרקת חומר ניגוד
StratifiedGroupKFoldscikit-learnVersion 1.5.2ולידציה צולבת מקובצת לפי מטופלים
מסווג Support Vector Machine (SVM)scikit-learnVersion 1.5.2מסווג עם גרעין Radial-basis-function
מתמר U5-15LE linear-arrayVINNO TechnologyU5-15LEמתמר אולטרסאונד ליניארי
מערכת אולטרסאונד ULTIMUS 9EVINNO TechnologyULTIMUS 9Eמערכת דימות אולטרסאונד המשמשת לצילומי B-mode, Color Doppler, CEUS ו-SRUS
XGBoostXGBoost DevelopersVersion 2.1.1מסגרת Gradient boosting

מקורות

  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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

סיווג קשרי בלוטת התריסאלגוריתמי למידת מכונהאולטרסאונד עם חומר ניגודמאפייני אולטרסאונד כמותייםקרצינומה פפילרית של בלוטת התריסאנליזת SHAPיער אקראימכונת וקטורים תומכיםתיקוף צולב חומש (Five-Fold Cross-Validation)
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.