Questo studio ha confrontato cinque algoritmi di apprendimento automatico per la classificazione dei noduli tiroidei mediante l'uso di caratteristiche ottenute con ecografia a super-risoluzione. L'SVM ha ottenuto le prestazioni migliori (accuratezza del 68,6%, Area Sotto la Curva 0,690), identificando la microcalcificazione e l'ingrandimento post-contrasto come fattori chiave, ma i risultati richiedono una validazione esterna prima dell'uso clinico.
Articolo di ricerca
Caratteristiche microvascolari quantitative dell'ecografia a super-risoluzione per la classificazione dei noduli tiroidei basata sull'apprendimento automatico
69 visualizzazioni
⸱
11 settembre 2026
* These authors contributed equally
In questo articolo
Sommario
Abstract
Questo studio ha confrontato cinque algoritmi di machine learning — Random Forest (RF), Support Vector Machine (SVM), Albero Decisionale (DT), eXtreme Gradient Boosting (XGBoost) e Gradient Boosting (GB) — per la classificazione di noduli tiroidei utilizzando caratteristiche quantitative derivate dall'ecografia convenzionale, dall'ecografia con mezzo di contrasto (CEUS) e dall'ecografia a super-risoluzione (SRUS). Lo studio retrospettivo ha incluso 68 noduli tiroidei provenienti da 63 pazienti (30 benigni e 38 confermati come carcinoma papillare della tiroide [PTC]) ed è stato analizzato mediante validazione incrociata raggruppata per paziente in cinque parti, assicurando che tutti i noduli dello stesso paziente fossero assegnati allo stesso gruppo. Le prestazioni del modello sono state riassunte attraverso i gruppi e a partire dalle predizioni fuori dal gruppo (OOF) aggregate, ed è stata effettuata un'analisi OOF mirata basata su SHapley Additive exPlanations (SHAP) utilizzando un algoritmo spiegativo basato su permutazione per il modello SVM, risultato il migliore. SVM ha ottenuto la maggiore accuratezza media (0,686 ± 0,120) e l'area media sotto la curva ROC (ROC-AUC) (0,690 ± 0,164), con una sensibilità OOF aggregata di 0,842 e una specificità di 0,500, mentre la microcalcificazione e l'ingrandimento post-contrasto sono state identificate come i contributi SHAP più significativi specifici del modello. RF ha mostrato prestazioni bilanciate (accuratezza 55,9%, sensibilità 55,3%, specificità 56,7%), mentre DT ha avuto prestazioni scadenti (accuratezza 0,429, ROC-AUC 0,447), avvicinandosi a una previsione casuale. Lo studio ha dimostrato che le misurazioni quantitative SRUS possono essere incorporate nei classificatori convenzionali; tuttavia, i risultati rimangono esplorativi e richiedono una validazione prospettica multicentrica con coorti più ampie prima di un'implementazione clinica.
Introduzione
I noduli tiroidei rappresentano un reperto clinico estremamente diffuso, con tassi di rilevamento che raggiungono il 68% nelle popolazioni asintomatiche quando esaminati mediante ecografia1. Recenti meta-analisi hanno rivelato che la prevalenza globale dei noduli tiroidei è aumentata dal 21,53% nel periodo 2000-2011 al 29,29% nel periodo 2012-2022, interessando circa una persona su quattro nella popolazione generale2,3. Tra questi noduli, dal 7% al 15% viene alla fine diagnosticato come cancro della tiroide, di cui il carcinoma tiroideo papillare (PTC) rappresenta il sottotipo predominante4,5. Il PTC costituisce dall'80% al 90% di tutti i tumori maligni della tiroide ed è diventato uno dei tipi di cancro in più rapida crescita, con tassi di incidenza che sono passati da 4,8 a 14,9 casi ogni 100.000 abitanti tra il 1975 e il 20126.
L'ecografia convenzionale rimane il pilastro della valutazione dei noduli tiroidei, offrendo una metodica diagnostica non invasiva, economicamente vantaggiosa e ampiamente accessibile7. I tradizionali reperti ecografici suggeritivi di malignità includono marcata ipoecogenicità, margini irregolari, microcalcificazioni e forma più alta che larga8,9. Tuttavia, essa è fondamentalmente limitata dalla barriera di diffrazione acustica, che limita la risoluzione spaziale a circa 100 micrometri10. Questo limite riduce notevolmente la capacità di visualizzare il microcircolo e di valutare la morfologia vascolare fine, parametri fondamentali per distinguere tra lesioni tiroidee benigne e maligne11. L'ecografia con flusso a colori (CDFI) e l'ecografia con mezzo di contrasto (CEUS), sebbene migliorino il rilevamento del flusso ematico, possono visualizzare soltanto vasi con velocità di flusso superiori a 1 cm/s e rimangono vincolate alla risoluzione limitata dalla diffrazione12,13.
L'ultrasuono a super risoluzione (SRUS), come tecnologia innovativa, supera il limite di diffrazione tradizionale dei sistemi ecografici convenzionali14,15. Sfruttando microbolle di contrasto come bersagli puntiformi per la localizzazione e il tracciamento, l'SRUS raggiunge una risoluzione spaziale nell'ordine del micron, consentendo la visualizzazione e la quantificazione della microvascolatura con un livello di dettaglio senza precedenti16,17. Questa tecnica permette di misurare sia la densità microvascolare (MVD) che la velocità del flusso microvascolare (MFR), fornendo valutazioni strutturali e funzionali che non possono essere ottenute mediante imaging non invasivo17,18. Studi pilota hanno dimostrato che i noduli tiroidei benigni presentano un valore di MFR significativamente più elevato rispetto a quelli maligni, con valori medi di 16,76 ± 6,82 mm/s contro 9,86 ± 4,54 mm/s, rispettivamente19. L'introduzione dell'«ultrasuono microvascolomico» — un'estrazione ad alto rendimento di parametri quantitativi dalle immagini SRUS — amplia ulteriormente il potenziale per una valutazione microvascolare precisa e personalizzata.
L'apprendimento automatico (ML) ha rivoluzionato l'analisi delle immagini mediche, in particolare nella caratterizzazione dei noduli tiroidei20,21. I modelli di deep learning, in particolare le reti neurali convoluzionali (CNN), hanno raggiunto valori di Area sotto la Curva ROC (ROC-AUC) superiori a 0,90 in studi precedenti22,23,24. Gli approcci di ensemble di apprendimento automatico che combinano più algoritmi—tra cui Foresta Casuale (RF), Macchine a Vettori di Supporto (SVM), Alberi Decisionali (DT), Gradient Boosting (GB) e eXtreme Gradient Boosting (XGBoost)—si sono rivelati promettenti per migliorare l'accuratezza diagnostica e la robustezza su dataset eterogenei21. Come recentemente rivisto in modo esaustivo da Habchi et al.25, il campo dell'intelligenza artificiale (AI) applicata al cancro della tiroide si è rapidamente espanso, includendo convertitori visivi, modelli linguistici di grandi dimensioni e architetture ibride, riflettendo l'evoluzione del settore verso framework diagnostici basati su immagini sempre più complessi.
Mentre le caratteristiche convenzionali dell'ultrasonografia sono state ampiamente studiate in combinazione con algoritmi di intelligenza artificiale, l'associazione tra parametri microvascolari ad alta risoluzione e modelli di apprendimento automatico è rimasta in gran parte inesplorata. Nonostante il potenziale promettente della tecnologia SRUS e l'efficacia dimostrata degli algoritmi di apprendimento automatico nell'imaging medico, diverse domande fondamentali rimangono senza risposta. Primo, quale architettura di apprendimento automatico—sia algoritmi tradizionali come RF e SVM, sia metodi avanzati di ensemble come XGBoost e GB—fornisce prestazioni ottimali quando applicata a caratteristiche microvascolari derivate da SRUS? Secondo, come si confrontano questi modelli in termini di sensibilità, specificità e accuratezza diagnostica complessiva nella differenziazione tra noduli tiroidei benigni e maligni? Terzo, quali parametri microvascolari estratti dall'imaging SRUS contribuiscono in modo più significativo alle prestazioni di classificazione? La risposta a queste domande è essenziale per stabilire framework basati su evidenze per la traduzione clinica della diagnosi assistita da SRUS dei noduli tiroidei.
Di conseguenza, questo studio mira a valutare in modo esaustivo le prestazioni di cinque algoritmi di apprendimento automatico (RF, SVM, DT, XGBoost e GB) per la classificazione dei noduli tiroidei mediante dati di imaging microvascolare ecografico a super-risoluzione. Confrontando sistematicamente questi approcci e identificando i biomarcatori microvascolari più informativi, questa ricerca intende far progredire il paradigma diagnostico nella caratterizzazione dei noduli tiroidei e contribuire al crescente corpus di evidenze a sostegno dell'utilità clinica della tecnologia SRUS nell'imaging oncologico. È stata formulata l'ipotesi che il set di caratteristiche costituito dalle 25 variabili predeterminate avrebbe fornito una capacità di discriminazione superiore al caso tra noduli benigni e noduli classificati come carcinoma tiroideo papillare. È stata utilizzata una validazione incrociata raggruppata per paziente al fine di ridurre il rischio di informazioni di leakage, e un'analisi SHAP mirata è stata aggiunta per descrivere come il classificatore selezionato abbia utilizzato le variabili misurate. Entrambe le analisi erano di tipo esplorativo.
Protocollo
Progettazione dello studio e popolazione di pazienti
Questo studio retrospettivo ha analizzato esami ecografici della tiroide effettuati tra il 13 giugno 2024 e il 13 gennaio 2025. Il protocollo dello studio è stato approvato dal Comitato Etico dell'Ospedale di Amicizia di Pechino, Università di Medicina Capitolare (numero di approvazione BFHHZS20240300) ed è stato condotto in conformità ai principi etici stabiliti nella Dichiarazione di Helsinki; il consenso informato è stato omesso a causa della natura retrospettiva dello studio. Il dataset comprendeva 68 noduli tiroidei provenienti da 63 pazienti (30 benigni e 38 maligni), e il singolo nodulo costituiva l'unità analitica. Le diagnosi di riferimento si basavano sulla citologia ottenuta mediante aspirato con ago sottile guidato da ecografia (FNAC). Il gruppo maligno comprendeva 38 noduli classificati come carcinoma tiroideo papillare alla FNAC.
Criteri di inclusione
I pazienti idonei dovevano soddisfare tutti i seguenti criteri: (1) aver eseguito un'ecografia convenzionale in scala di grigi e Doppler, seguita da CEUS con qualità dell'immagine soddisfacente che permettesse l'analisi successiva del flusso microvascolare; (2) aver ricevuto una diagnosi citopatologica di CPT confermata da biopsia con ago sottile, con o senza test positivo concomitante per la mutazione BRAFV600E; oppure aver ottenuto un risultato citologico di categoria III di Bethesda (atipia di significato indeterminato), ma con test positivo concomitante per la mutazione BRAFV600E; (3) aver ricevuto una diagnosi citopatologica di noduli benigni proliferativi, noduli adenomatosi o noduli follicolari benigni nella categoria II di Bethesda, senza test positivo concomitante per la mutazione BRAFV600E.
Criteri di esclusione
I pazienti sono stati esclusi dallo studio se era presente una delle seguenti condizioni: (1) immagini CEUS di scarsa qualità o segnale insufficiente dei microbolle che impediva una valutazione affidabile del flusso microvascolare; (2) assenza di risultati citologici o patologici; (3) diagnosi istopatologica di un sottotipo raro o speciale di carcinoma tiroideo (ad esempio varianti anaplastiche); oppure (4) reperti citologici suggestivi di neoplasia follicolare (Categoria Bethesda IV) o di qualsiasi lesione di origine follicolare indeterminata, indipendentemente dallo stato mutazionale; (5) tiroidite di Hashimoto
Acquisizione di ultrasuoni, CEUS e SRUS
Tutti gli esami sono stati eseguiti con il sistema ecografico di riferimento e una sonda lineare. I pazienti sono stati posizionati in decubito supino con il collo esteso. Il nodulo bersaglio è stato localizzato e misurato mediante ecografia in modo B; sono state registrate le microcalcificazioni e lo stesso piano di imaging centrato sulla lesione è stato utilizzato per valutare la vascolarizzazione intranodulare con Doppler colorato.
Dopo aver stabilito l'accesso endovenoso, il sistema è stato commutato su una modalità CEUS/URM con basso indice meccanico (URM indica imaging a Ultra-Resolution Microscopy). L'ecografia con mezzo di contrasto (CEUS) è stata eseguita mediante iniezione endovenosa in bolo di 1,2 mL di SonoVue, immediatamente seguita da un flush di 5 ml di soluzione fisiologica; il cronometro sullo schermo e l'acquisizione continua in cine sono stati avviati contestualmente alla somministrazione del bolo. La sonda è stata mantenuta in un piano fisso con pressione minima, e al paziente è stato chiesto di evitare di deglutire durante le fasi di afflusso e di eliminazione del mezzo di contrasto.
Per la CEUS quantitativa, è stata utilizzata una regione di interesse limitata alla lesione per ricavare i parametri tempo-intensità. Per la SRUS, il flusso di lavoro URM ha localizzato e tracciato i segnali delle microbolle dopo il controllo del movimento, generando misurazioni del rapporto vascolare, della complessità, della densità microvascolare, dell'indice di perfusione e della velocità del flusso. Le esportazioni delle immagini rappresentative mostravano le impostazioni di VSP 4, RES 2, CTR 3, SM 2, VEN 3 e CPT 10 s; le impostazioni corrispondenti non erano disponibili per i restanti esami.
Le 25 variabili di input del modello sono elencate nella Tabella 1 e raggruppate per modalità di acquisizione: età e sesso; microcalcificazioni in modo B; vascolarizzazione intranodulare in Doppler color; CEUS qualitativo; CEUS quantitativo; e 11 misurazioni microvascolari SRUS.
Selezione delle caratteristiche
Tutte e 25 le caratteristiche quantitative sono state mantenute nei modelli di apprendimento automatico. Sono state utilizzate solo caratteristiche numeriche; sono stati esclusi i nomi dei pazienti, i numeri di registrazione e i campi relativi alle dimensioni delle lesioni. Non è stata effettuata alcuna selezione delle caratteristiche basata sui dati, e gli stessi predittori predeterminati sono stati inseriti in ciascun classificatore.
Standardizzazione delle caratteristiche
Prima della cross-validation non è stata applicata alcuna trasformazione, imputazione o scala globale. La standardizzazione è stata applicata soltanto al classificatore SVM con funzione radiale mediante una pipeline StandardScaler. Lo scaler è stato addestrato sui noduli di training di ciascun fold e successivamente applicato ai noduli di validazione dello stesso fold. I classificatori basati su alberi hanno ricevuto le scale numeriche originali:
dove x è il valore originale della caratteristica, µ è la media del training-fold e σ è la deviazione standard del training-fold. La pre-elaborazione per fold ha impedito che le osservazioni di validazione contribuissero ai parametri di scala dell'SVM.
Partizionamento dei dati
La valutazione primaria delle prestazioni ha utilizzato una cross-validation stratificata a cinque ripetizioni (StratifiedGroupKFold) con shuffle = True e random_state = 42. Un identificatore del paziente ha definito 63 gruppi, e tutti i noduli dello stesso paziente sono stati assegnati allo stesso fold. Nessun paziente ha contribuito con noduli sia al sottoinsieme di addestramento che a quello di validazione di un fold.
Addestramento e validazione del modello
Protocollo di addestramento
Sono stati valutati cinque classificatori: foresta casuale (100 alberi; random_state = 42), SVM con funzione radiale di base (C = 1,0; gamma = scale; probability = True; pipeline StandardScaler; random_state = 42), albero decisionale (criterio di Gini; profondità illimitata; random_state = 42), XGBoost (100 stimatori; learning_rate = 0,3; max_depth = 6; subsample = 1,0; colsample_bytree = 1,0; random_state = 42) e boosting del gradiente (100 stimatori; learning_rate = 0,1; max_depth = 3; random_state = 42). Non è stata eseguita alcuna ricerca a griglia, ottimizzazione bayesiana, regolazione della soglia o selezione annidata del modello.
Validazione incrociata
All'interno di ciascuna delle cinque suddivisioni raggruppate per paziente, i modelli sono stati addestrati sui gruppi di pazienti rimanenti e valutati sui gruppi esclusi. Per ogni suddivisione sono stati calcolati accuratezza, sensibilità, specificità, precisione, punteggio F1 e area sotto la curva ROC (ROC-AUC), riassunti come media ± deviazione standard. Le predizioni OOF sono state raggruppate considerando tutti e 68 i noduli per generare una curva ROC convalidata tramite cross-validation e una matrice di confusione per ciascun modello.
Valutazione delle prestazioni
Metriche di valutazione
Le prestazioni del modello sono state valutate all'interno di ciascun fold di validazione raggruppato per paziente e a partire dalle predizioni OOF combinate, utilizzando le seguenti metriche:
Accuratezza: Proporzione complessiva di previsioni corrette
Sensibilità (Recupero): Proporzione di noduli maligni effettivi correttamente identificati
Specificità: proporzione di noduli benigni effettivi correttamente identificati
Precisione (Valore Predittivo Positivo): Proporzione di casi predetti come maligni che erano effettivamente maligni
F1-Score: media armonica tra precisione e richiamo
Area sotto la curva ROC (ROC-AUC): Misura della capacità del modello di discriminare tra noduli benigni e maligni a tutti i livelli di classificazione
dove TP = veri positivi (noduli maligni correttamente identificati), TN = veri negativi (noduli benigni correttamente identificati), FP = falsi positivi (noduli benigni classificati erroneamente come maligni) e FN = falsi negativi (noduli maligni classificati erroneamente come benigni).
Analisi della matrice di confusione
Le matrici di confusione OOF sono state generate raggruppando le previsioni effettuate per ciascun nodulo soltanto nel fold in cui il paziente corrispondente era stato escluso. Pertanto, ciascun nodulo ha ricevuto una previsione da un modello addestrato su noduli provenienti da altri pazienti.
Analisi dell'importanza delle caratteristiche
Per il modello Random Forest, i punteggi di importanza delle caratteristiche sono stati calcolati in base alla diminuzione media dell'impurità di Gini su tutti gli alberi decisionali. Sono state identificate e ordinate le 15 caratteristiche più importanti per determinare quali parametri microvascolari hanno contribuito in modo più significativo alle prestazioni di classificazione.
Analisi esplorativa con SHAP
È stata eseguita un'analisi SHAP OOF mirata utilizzando un algoritmo di spiegazione basato su permutazioni per la macchina a vettori di supporto (SVM). Per ciascun nodulo escluso, sono state utilizzate solo le osservazioni del set di addestramento corrispondente come distribuzione di riferimento (128 permutazioni antitetiche; seme casuale = 20260716). I valori SHAP medi assoluti hanno riassunto l'entità dei contributi, mentre i valori con segno hanno indicato la direzione. L'analisi aveva carattere esplorativo e non è stata utilizzata per inferire causalità, identificare biomarcatori indipendenti o definire soglie cliniche.
Analisi statistica
Analisi comparativa
Le prestazioni del modello sono state riassunte in modo descrittivo attraverso le cinque partizioni di validazione raggruppate per paziente e nelle predizioni OOF aggregate. Non è stato effettuato alcun test formale di ipotesi tra modelli né un ordinamento basato su P-value, poiché le partizioni sono correlate e la coorte è di piccole dimensioni.
Per i confronti di gruppo alla linea di base, la normalità delle variabili continue è stata valutata all'interno di ciascun gruppo di outcome utilizzando il test di Shapiro-Wilk. Di Welch t è stato utilizzato quando entrambi i gruppi erano compatibili con la normalità; altrimenti, un test di Mann-Whitney a due code U È stato utilizzato il test t. Le variabili categoriche sono state valutate mediante il test chi-quadrato di Pearson, con il test esatto di Fisher per tabelle 2 x 2 con dati scarsi. I valori di p erano bilaterali, esplorativi e non corretti (alfa = 0,05).
Riproducibilità
La riproducibilità è stata garantita da una definizione specificata del gruppo di pazienti, da un seme casuale fisso (42), da configurazioni fisse del classificatore e da un preelaborazione per fold. Gli identificatori sono stati utilizzati esclusivamente per il raggruppamento e non sono stati inseriti come predittori né esportati con gli output del modello.
Risultati
Caratteristiche dei pazienti e popolazione dello studio
Sono stati inclusi un totale di 68 noduli tiroidei provenienti da 63 pazienti, comprendenti 30 noduli benigni e 38 carcinomi tiroidei papillari (PTC). L'unità analitica era rappresentata dal nodulo, e il raggruppamento dei pazienti ha impedito che noduli dello stesso paziente comparissero sia nel sottoinsieme di addestramento che in quello di validazione. Le caratteristiche basali sono riassunte nella Tabella 2.
Figura 1 mostra ricostruzioni SRUS/URM con successo tecnico limitato alla lesione, ottenute da un nodulo benigno rappresentativo e da un nodulo classificato come CPT in base all'FNAC guidata da ultrasuoni. Entrambi gli esempi mostrano il contorno della lesione, la mappa microvascolare ricostruita e la sovrapposizione quantitativa generata dal dispositivo. Questi esempi dimostrano un'acquisizione e una ricostruzione corrette in entrambe le classi di riferimento, ma non stabiliscono di per sé una separazione diagnostica né le prestazioni del modello.
Cinque classificatori sono stati valutati utilizzando una cross-validation a cinque ripetizioni raggruppata per paziente sul dataset di 68 noduli. Le metriche di prestazione sono riportate come media delle ripetizioni ± DS e valori OOF aggregati nella Tabella 3. Figura 2, Figura 3 e Figura 4 mostrano rispettivamente le curve ROC OOF, i riassunti delle metriche raggruppati per ripetizione e le matrici di confusione OOF.
Figura 4 mostra matrici di confusione OOF raggruppate, in cui ciascun nodulo è stato predetto soltanto da un modello addestrato senza noduli dello stesso paziente. SVM ha classificato correttamente 32 dei 38 noduli maligni (sensibilità 0,842), ma ha classificato erroneamente 15 dei 30 noduli benigni come maligni (specificità 0,500). L'albero decisionale ha presentato il numero maggiore di classificazioni falsi negativi e falsi positivi. Questi schemi dimostrano perché l'accuratezza da sola è insufficiente e illustrano sia risultati soddisfacenti sia risultati subottimali.
Nell'analisi SHAP OOF focalizzata (Figura 5 e Tabella 4), la microcalcificazione e l'ingrandimento post-contrasto hanno apportato i contributi maggiori e specifici al modello nella probabilità di malignità SVM, seguiti dall'omogeneità del potenziamento e dal sesso. Questi risultati descrivono come il modello SVM adattato abbia utilizzato le variabili misurate in questo gruppo di pazienti e non stabiliscono un'importanza clinica indipendente.
Dichiarazione sulla disponibilità dei dati
I dati alla base di questo articolo saranno condivisi su richiesta ragionevole all'autore corrispondente.
Figura 1. Immagini rappresentative di lesioni limitate da SRUS/URM. (A) Nodulo tiroideo benigno. (B) Carcinoma tiroideo papillare in base alla FNAC guidata da ecografia. Ogni pannello mostra il contorno della lesione e la corrispondente ricostruzione microvascolare con la sovrapposizione quantitativa generata dal dispositivo. Gli esempi illustrano un'acquisizione e una ricostruzione corrette e non sono utilizzati per stimare l'accuratezza diagnostica. Abbreviazioni: SRUS = Super-resolution ultrasound; URM = ultra-resolution microscopic imaging; FNAC = fine needle aspiration cytology. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 2. Curve ROC OOF raggruppate per paziente per i cinque classificatori. Ogni curva riassume una predizione esclusa per nodulo; la diagonale tratteggiata indica la discriminazione casuale. Abbreviazioni: RF = Random Forest; SVM = Support Vector Machine; DT = Decision Tree; XGB = eXtreme Gradient Boosting; GB = Gradient Boosting; OOF = Out-of-fold; ROC-AUC = Receiver Operating Characteristic-Area Under Curve. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 3. Media ± DS di accuratezza, sensibilità, specificità, precisione, punteggio F1 e ROC-AUC calcolate su cinque fold di validazione raggruppati per paziente. Abbreviazioni: DS = deviazione standard; ROC-AUC = Caratteristica Operativa del Ricevitore-Area Sottesa alla Curva. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 4. Matrici di confusione OOF raggruppate per paziente. Le righe mostrano la classe di riferimento e le colonne la classe prevista. Ogni nodulo è stato previsto da un modello addestrato senza utilizzare noduli dello stesso paziente. Abbreviazione: OOF = Out-of-fold. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Figura 5. Analisi SHAP fuori dal modello (OOF) della macchina a vettori di supporto (SVM) mediante un algoritmo esplicativo basato su permutazione. (A) I dieci valori SHAP medi assoluti più elevati sono ordinati per rango. (B) Valori SHAP con segno per le stesse variabili in 68 previsioni tenute fuori. Abbreviazioni: OOF = Out-of-fold; SHAP = SHapley Additive exPlanations; SVM = Support Vector Machine; MVD = Densità microvascolare. Cliccare qui per visualizzare una versione ingrandita di questa figura.
| Fonte di acquisizione | Predittori | Gestione del modello |
| Dati demografici | Età; sesso | Variabili numeriche nel foglio di lavoro; entrambe mantenute come input del modello predeterminati. |
| Ecografia in modo B | Microcalcificazioni | Variabile numerica nel foglio di lavoro; nessuna scala globale applicata. |
| Doppler a colori | Vascolarizzazione intranodulare (flusso ematico) | Classificata come predittore Doppler a colori piuttosto che in modo B. |
| CEUS qualitativa | Aumento delle dimensioni post-contrasto; pattern di enhancement; omogeneità dell'enhancement | Variabili numeriche nel foglio di lavoro; mantenute come input predeterminati. |
| CEUS quantitativa | AUC, intensità massima, tempo al picco, tempo di arrivo, tempo di salita, tempo medio di transito, tempo per raggiungere la metà dell'intensità di picco | Sette variabili della curva tempo-intensità; nessuna imputazione o scala globale. |
| Microvascolarizzazione SRUS | Rapporto vascolare, complessità, MVD massimo/minimo/medio/DS, indice di perfusione, velocità del flusso massima/minima/media/DS | Undici variabili microvascolari; nessuna selezione preliminare delle caratteristiche. |
Tabella 1: Variabili quantitative e preelaborazione. I 25 predittori predeterminati sono raggruppati in base alla fonte di acquisizione: età e sesso; microcalcificazioni in modo B; vascolarizzazione intranodulare in Doppler color; misurazioni qualitative e quantitative con ecografia con mezzo di contrasto (CEUS); e misurazioni microvascolari con ecografia a super-risoluzione (SRUS). I nomi, gli ID di registrazione e i campi relativi alle dimensioni delle lesioni sono stati esclusi. Non erano presenti valori mancanti nella matrice di 25 variabili. L'identità del paziente è stata utilizzata soltanto per il raggruppamento. Lo StandardScaler è stato adattato esclusivamente all'interno dei fold di addestramento della SVM. Abbreviazioni: CEUS = ecografia con mezzo di contrasto; SRUS = ecografia a super-risoluzione; SVM = macchina a vettori di supporto.
| Fonte di acquisizione | Caratteristica | Noduli benigni | Noduli maligni | Valore P |
| (n = 30) | (n = 38) | |||
| Dati demografici | Età, anni | 48 (42, 55) | 48 (41, 52) | 0.551 |
| Dati demografici | Sesso, n (%) | 0.012 | ||
| Dati demografici | Femminile | 26 (86,7%) | 27 (71,1%) | |
| Dati demografici | Maschile | 4 (13,3%) | 11 (28,9%) | |
| Ecografia in modo B | ||||
| Ecografia in modo B | Microcalcificazioni, n (%) | 0,001 | ||
| Ecografia in modo B | Assenti | 12 (40,0%) | 2 (5,3%) | |
| Ecografia in modo B | Presenti | 18 (60,0%) | 36 (94,7%) | |
| Doppler a colori | Flusso ematico, n (%) | 0,1 | ||
| Doppler a colori | Assente | 7 (23,3%) | 8 (21,1%) | |
| Doppler a colori | Presente | 23 (76,7%) | 30 (78,9%) | |
| CEUS qualitativa | Incremento dimensionale post-contrasto, n (%) | 0,001 | ||
| CEUS qualitativa | No | 16 (53,3%) | 5 (13,2%) | |
| CEUS qualitativa | Sì | 14 (46,7%) | 33 (86,8%) | |
| CEUS qualitativa | Omoteneità del potenziamento, n(%) | 0,087 | ||
| CEUS qualitativa | Eterogeneo | 11 (36,7%) | 23 (60,5%) | |
| CEUS qualitativa | Omogeneo | 19 (63,3%) | 15 (39,5%) | |
| CEUS qualitativa | Modello di potenziamento, n (%) | |||
| CEUS qualitativa | Ipoenhancement | 18 (60,0%) | 20 (52,6%) | |
| CEUS qualitativa | Isoenhancement | 3 (10,0%) | 0 (0,0%) | |
| CEUS qualitativa | Iperenhancement | 9 (30,0%) | 18 (47,4%) | |
| CEUS quantitativa | ||||
| CEUS quantitativa | Area sotto la curva (AUC), dB·s | 3255,49 (2457,15, 4048,94) | 3620,76 (3096,36, 4066,75) | 0,201 |
| CEUS quantitativa | Intensità di picco (PI), dB | 48,93 (40,93, 55,78) | 50,22 (42,49, 56,82) | 0,621 |
| CEUS quantitativa | Tempo per raggiungere il picco (TTP), s | 17,78 (16,47, 19,30) | 20,42 (17,53, 23,47) | 0,045 |
| CEUS quantitativa | Tempo di arrivo (AT), s | 9,88 (8,23, 11,53) | 9,88 (8,64, 11,53) | 0,1 |
| CEUS quantitativa | Tempo di salita (RT), s | 8,43 (6,92, 9,55) | 9,55 (7,00, 12,11) | 0,164 |
| CEUS quantitativa | Tempo medio di transito (MTT), s | 69,38 (60,17, 87,84) | 82,82 (64,22, 99,15) | 0,102 |
| CEUS quantitativa | Tempo per raggiungere metà intensità di picco (THP), s | 81,62 (70,53, 99,93) | 95,34 (73,60, 109,44) | 0,157 |
| Microvascolarizzazione SRUS | ||||
| Microvascolarizzazione SRUS | Rapporto vascolare, % | 56,29 (43,34, 71,44) | 57,81 (41,49, 70,24) | 0,772 |
| Microvascolarizzazione SRUS | Livello di complessità | 1,68 (1,59, 1,73) | 1,62 (1,57, 1,69) | 0,083 |
| Microvascolarizzazione SRUS | Densità microvascolare—Massima | 15,24 (10,59, 17,88) | 13,28 (9,60, 15,92) | 0,142 |
| Microvascolarizzazione SRUS | Densità microvascolare—Minima | 0,07 (0,05, 0,07) | 0,06 (0,04, 0,07) | 0,385 |
| Microvascolarizzazione SRUS | Densità microvascolare—Media | 6,20 (3,46, 7,45) | 4,71 (3,74, 6,78) | 0,161 |
| Microvascolarizzazione SRUS | Densità microvascolare—SD | 3,15 (2,12, 3,64) | 2,56 (1,94, 3,04) | 0,085 |
| Microvascolarizzazione SRUS | Indice di perfusione | 6,81 (4,53, 9,05) | 7,12 (4,52, 9,90) | 0,666 |
| Microvascolarizzazione SRUS | Velocità massima del flusso, mm/s | 25,13 (22,24, 26,43) | 26,32 (23,86, 28,00) | 0,152 |
Tabella 2: Caratteristiche basali di 30 noduli tiroidei benigni e 38 maligni. Caratteristiche demografiche e di imaging di base per noduli benigni (n = 30) e maligni (n = 38). I valori sono espressi come n (%) o mediana (intervallo interquartile). Le etichette di riferimento sono state assegnate in base alla FNAC guidata da ultrasuoni; la istopatologia postoperatoria non era disponibile. Abbreviazioni: EUS = ecografia con mezzo di contrasto; SRUS = ultrasuoni a super-risoluzione.
| Classificatore | Accuratezza | Sensibilità | Specificità | Precisione | Punteggio F1 | ROC-AUC | |
| Random Forest | Validazione StratifiedGroupKFold | 0.548 ± 0.176 | 0.573 ± 0.297 | 0.572 ± 0.105 | 0.603 ± 0.139 | 0.555 ± 0.204 | 0.633 ± 0.137 |
| OOF aggregato | 0.559 | 0.553 | 0.567 | 0.618 | 0.583 | 0.579 | |
| SVM | Validazione StratifiedGroupKFold | 0.686 ± 0.120 | 0.850 ± 0.180 | 0.495 ± 0.204 | 0.678 ± 0.154 | 0.740 ± 0.118 | 0.690 ± 0.164 |
| OOF aggregato | 0.691 | 0.842 | 0.5 | 0.681 | 0.753 | 0.655 | |
| Albero decisionale | Validazione StratifiedGroupKFold | 0.429 ± 0.073 | 0.492 ± 0.229 | 0.402 ± 0.247 | 0.514 ± 0.169 | 0.468 ± 0.117 | 0.447 ± 0.073 |
| OOF aggregato | 0.426 | 0.474 | 0.367 | 0.486 | 0.48 | 0.42 | |
| XGBoost | Validazione StratifiedGroupKFold | 0.541 ± 0.151 | 0.494 ± 0.197 | 0.595 ± 0.137 | 0.587 ± 0.228 | 0.530 ± 0.202 | 0.571 ± 0.163 |
| OOF aggregato | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.594 | |
| Gradient Boosting | Validazione StratifiedGroupKFold | 0.544 ± 0.099 | 0.500 ± 0.091 | 0.550 ± 0.213 | 0.624 ± 0.087 | 0.546 ± 0.053 | 0.579 ± 0.124 |
| OOF aggregato | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.555 |
Tabella 3: Prestazioni della cross-validation raggruppata per paziente a cinque ripetizioni e prestazioni OOF aggregate. Tutti i noduli dello stesso paziente sono stati assegnati alla stessa suddivisione. I valori sono espressi come media ± deviazione standard su cinque suddivisioni di validazione StratifiedGroupKFold. I 68 noduli provengono da 63 gruppi di pazienti; ogni suddivisione escludeva da 12 a 15 noduli appartenenti a 12–13 gruppi di pazienti. Ogni valore OOF aggregato utilizza una singola previsione per nodo, effettuata nella suddivisione di validazione che escludeva tutti i noduli di quel paziente. Figura 3 riporta le corrispondenti matrici di confusione OOF aggregate. Abbreviazioni: OOF = out-of-fold; SVM = Support Vector Machine.
| Posizione | Caratteristica | Media |SHAP| | Deviazione standard della media |SHAP| per fold |
| 1 | Microcalcificazione | 0.0357 | 0.023 |
| 2 | Aumento post-contrasto | 0.0331 | 0.0165 |
| 3 | Omoteneità del potenziamento | 0.0207 | 0.008 |
| 4 | Sesso | 0.0194 | 0.0109 |
| 5 | Deviazione standard della velocità di flusso | 0.0159 | 0.01 |
| 6 | Media MVD | 0.0124 | 0.0086 |
| 7 | Tempo medio di transito | 0.0118 | 0.0069 |
| 8 | Velocità minima del flusso | 0.0107 | 0.0061 |
| 9 | Modello di potenziamento | 0.0103 | 0.0112 |
| 10 | Deviazione standard MVD | 0.0102 | 0.0077 |
Tabella 4: Classificazione globale delle caratteristiche OOF SHAP per la SVM. I valori SHAP quantificano il contributo alla probabilità di malignità della SVM. Ciascun nodulo è stato analizzato una volta all'interno del rispettivo fold di validazione con raggruppamento per paziente escluso. I valori globali corrispondono alla media dei valori assoluti di SHAP calcolata su 68 spiegazioni OOF; la DS del fold è la deviazione standard delle medie assolute specifiche per fold calcolata su cinque fold. Le classifiche rappresentano riepiloghi esplorativi specifici del modello e non indicano effetti causali, biomarcatori indipendenti o soglie cliniche. Abbreviazioni: OOF = out-of-fold; SVM = Support Vector Machine; MVD = densità microvascolare; SHAP = SHapley Additive exPlanations.
Discussione
Gli attuali approcci diagnostici per i noduli tiroidei si basano principalmente sull'ecografia convenzionale, che rimane intrinsecamente dipendente dall'operatore ed è soggetta a variabilità inter-osservatore5 e all'incapacità di visualizzare il microcircolo al di sotto del limite di diffrazione. Per quanto ne sappiamo, il nostro studio rappresenta la prima valutazione completa di diversi algoritmi di apprendimento automatico applicati a dati di imaging microvascolare ad ultrasuoni con super-risoluzione (SRUS), ottenendo una valutazione quantitativa oggettiva del rischio di carcinoma papillare della tiroide (PTC) nei noduli tiroidei in un contesto di ricerca.
Il contributo principale di questo studio è un framework analitico a livello del paziente che integra misurazioni di SRUS basate sulla localizzazione con microbolle di contrasto, ecografia in modo B, Doppler colorato, CEUS qualitativa e quantitativa e variabili cliniche per classificare i noduli tiroidei. L'elemento di novità consiste nell'inserire informazioni microvascolari misurate sperimentalmente in un insieme multimodale di 25 variabili predeterminate e nel valutarle mediante un raggruppamento dei pazienti resistente alle perdite (leakage-resistant), piuttosto che in una nuova architettura del classificatore. Tutti i noduli dello stesso paziente sono stati mantenuti all'interno di un'unica fold; lo scaler SVM è stato addestrato solo sui dati del training set di ogni fold; e la valutazione del modello ha utilizzato una validazione incrociata a cinque fold raggruppata per paziente, previsioni OOF aggregate e un'analisi SHAP OOF mirata. All'interno di questo framework, SVM ha ottenuto la maggiore accuratezza media (0,686 ± 0,120) e la maggiore ROC-AUC media (0,690 ± 0,164), ma la sua specificità OOF aggregata è stata solo di 0,500 e le prestazioni sono variate tra le diverse fold. Nel complesso, questi risultati stabiliscono un approccio riproducibile per valutare congiuntamente dati ecografici microvascolari e convenzionali a livello del paziente, evidenziando al contempo le aree che richiedono ulteriori perfezionamenti prima di un'implementazione clinica.
Studi precedenti sulla tiroide avevano stabilito la fattibilità dell'ecografia di perfusione con microbolle di contrasto e avevano riportato differenze a livello di gruppo nel flusso microvascolare in una coorte pilota di 24 noduli26. Il nostro studio estende tale dimostrazione di fattibilità dell'imaging in tre aspetti specifici. In primo luogo, le misurazioni della densità vascolare, della velocità del flusso e della perfusione ottenute mediante SRUS sono state analizzate insieme alla microcalcificazione in modo B, alla vascolarità intranodulare in Doppler color, all'ecografia con mezzo di contrasto qualitativa e quantitativa, e all'età e al sesso, piuttosto che come semplice confronto isolato della SRUS. In secondo luogo, il paziente è stato considerato come unità di separazione durante tutte le fasi di pre-elaborazione e di validazione, impedendo così che noduli dello stesso paziente comparissero sia nei dati di addestramento che in quelli di validazione. In terzo luogo, lo stesso schema raggruppato per paziente ha collegato le prestazioni del modello alle predizioni OOF aggregate e a un'analisi SHAP OOF mirata. Nel complesso, questi elementi collegano acquisizione, caratterizzazione microvascolare quantitativa, valutazione del modello e interpretazione in un unico flusso di lavoro riproducibile, fornendo una base su cui studi futuri potranno costruire.
Abbiamo identificato diversi studi recenti sull'applicazione dell'intelligenza artificiale e dell'apprendimento profondo alla diagnosi di noduli tiroidei maligni. È utile differenziare il nostro approccio da questi. Feng et al. hanno sviluppato un modello multicentrico e multimodale per la stratificazione del rischio di carcinoma papillare della tiroide preoperatorio27, mentre Gatta et al. hanno sintetizzato modelli di apprendimento automatico valutati esternamente per la diagnosi benigno-contro-maligno basata su immagini ecografiche convenzionali della tiroide28. Li et al. hanno applicato una super-risoluzione computazionale da singola immagine all'ecografia convenzionale per la localizzazione dei noduli29, e He et al. hanno utilizzato radiomica in modalità B potenziata da GAN per prevedere un risultato di FNA non diagnostico (Bethesda I)30. Approcci basati su consapevolezza geometrica, apprendimento per trasferimento e architetture Transformer illustrano ulteriormente la diversità algoritmica della ricerca sull'ecografia tiroidea31. Questi studi utilizzano immagini ecografiche convenzionali, variabili cliniche o di imaging multimodali, oppure rappresentazioni computazionali potenziate delle immagini; non localizzano microbolle di contrasto iniettate né quantificano direttamente la densità microvascolare e il flusso a livello di lesione. Habchi et al. hanno applicato un framework di apprendimento per trasferimento basato su VGG19 a immagini ecografiche convenzionali della tiroide e riportato un'elevata accuratezza di classificazione su un dataset pubblico32. Sebbene il loro lavoro abbia dimostrato il potenziale dell'apprendimento profondo in questo campo, si è basato esclusivamente su caratteristiche delle immagini in modalità B.
Per confronto, il contributo specifico del presente studio consiste nell'utilizzo dell'US a super-risoluzione basata sulla localizzazione per ottenere variabili microvascolari misurate sperimentalmente, nella loro integrazione con le caratteristiche convenzionali dell'ultrasonografia e dell'US con mezzo di contrasto, e nella loro valutazione raggruppata per paziente. Gli studi citati rimangono complementari piuttosto che confrontabili direttamente in termini di prestazioni, poiché differiscono per dati di ingresso, endpoint, standard di riferimento e disegno della validazione; consideriamo questa complementarità un punto di forza, in quanto suggerisce molteplici percorsi indipendenti per un miglioramento della stratificazione del rischio. In particolare, i nostri risultati risultano complementari anche agli approcci basati sul deep learning, come il framework della trasformata Bandelet sensibile alla geometria di Habchi et al.31 e i benchmark basati sull'apprendimento per trasferimento di Xu et al., che si concentrano sulla classificazione delle immagini convenzionali in modo B piuttosto che su biomarcatori emodinamici quantitativi33—modalità di ingresso fondamentalmente diverse che catturano aspetti distinti della biologia tumorale.
I nostri risultati indicano differenze significative nelle prestazioni dei cinque classificatori valutati. La macchina a vettori di supporto (SVM) ottiene le migliori prestazioni in termini di accuratezza media (0,686 ± 0,120) e ROC-AUC (0,690 ± 0,164), e presenta la deviazione standard più bassa nella validazione incrociata, dimostrandone l'affidabilità nelle attività con campioni ridotti. Una ulteriore validazione OOF aggregata ha confermato che la sensibilità dell'SVM era dell'84,2% (32 su 38 noduli maligni sono stati correttamente identificati) e che il suo punteggio F1 era 0,753, il più alto tra tutti i modelli. Questa elevata capacità di rilevamento ha un valore significativo nella pratica clinica, poiché una diagnosi mancata può portare a conseguenze gravi. Tuttavia, la specificità è stata solo del 50,0% (15 su 30 noduli benigni sono stati classificati erroneamente), un andamento che richiede un'interpretazione accurata. Questa specificità moderata probabilmente riflette la natura ad alta dimensionalità del nostro dataset (25 predittori rispetto a 30 campioni benigni). In uno spazio delle caratteristiche così scarso, il confine decisionale dell'SVM risulta sproporzionatamente influenzato da alcuni noduli benigni con caratteristiche microvascolari simili ai tumori, costringendo il classificatore ad adottare una strategia conservativa—etichettando i casi ambigui come maligni—per ridurre al minimo i falsi negativi. Dal punto di vista clinico, questo compromesso è accettabile negli scenari di screening: le conseguenze di una diagnosi mancata di carcinoma tiroideo papillare (PTC) possono essere molto più gravi rispetto a quelle derivanti da un'FNAC non necessaria. Nella ricerca futura, sarà preferibile privilegiare un campione più ampio, in particolare aumentando il numero di campioni benigni, e provare nuovamente metodi di apprendimento sensibili ai costi o di riduzione della dimensionalità, al fine di mantenere elevata la sensibilità migliorando al contempo la specificità.
RF presenta un'accuratezza media (0,548 ± 0,176), inferiore rispetto a SVM. Tuttavia, RF ha mostrato una performance OOF combinata bilanciata (accuratezza 55,9%, sensibilità 55,3%, specificità 56,7%), risultato utile per i sistemi di supporto alle decisioni cliniche. L'importanza basata sull'impurità ha posizionato la MVD media, la velocità media del flusso e l'indice di perfusione tra le variabili principali, indicando un segnale SRUS significativo. XGBoost e Gradient Boosting hanno ottenuto prestazioni intermedie; nessuno dei due ha superato RF, probabilmente a causa della sensibilità agli iperparametri data la dimensione ridotta del campione (n = 68) e una regolarizzazione conservativa. DT ha ottenuto prestazioni scadenti (accuratezza 0,429, ROC-AUC 0,447), avvicinandosi a una previsione casuale—risultato atteso a causa dell'overfitting di un singolo albero. In sintesi, SVM è preferibile quando la priorità è massimizzare la sensibilità, mentre RF offre vantaggi in termini di prestazioni bilanciate e interpretabilità; entrambi richiedono ulteriori indagini.
L'analisi SHAP mirata ha identificato la microcalcificazione, l'ingrandimento post contrasto e l'omogeneità del potenziamento come i tre fattori predittivi principali, seguiti dal sesso e dai parametri SRUS, tra cui la deviazione standard della velocità del flusso ematico, la MVD media e il tempo medio di transito. Le caratteristiche convenzionali sono predominanti, ma i parametri SRUS forniscono informazioni indipendenti e aggiuntive. L'importanza degli indicatori SRUS è coerente con i loro vantaggi fisici. L'SRUS può raggiungere una risoluzione di ~10 µm, mentre la risoluzione del Doppler tradizionale è limitata a ~200–300 µm. Zhang et al. hanno confermato che i noduli maligni presentano una velocità di flusso più bassa (9,86 contro 16,76 mm/s, p < 0,01) e una MVD19, rispecchiando la biologia del carcinoma papillare tiroideo, caratterizzata da fibrosi e predominanza linfatica. I nostri risultati SHAP sono biologicamente plausibili, e la concordanza con i criteri TI-RADS sostiene un apprendimento dei modelli clinicamente significativo8.
Una stratificazione accurata del rischio ha importanti implicazioni per l'assistenza ai pazienti e per il processo decisionale clinico. Se i noduli ad alto rischio possono essere identificati mediante analisi con apprendimento automatico (ML) delle immagini SRUS, i pazienti potrebbero ricevere una FNAC più tempestiva, riducendo l'ansia e prevenendo la progressione del cancro. I noduli selezionati a basso rischio potrebbero invece essere monitorati mediante ecografia. In futuro, misurazioni quantitative della microvascolarizzazione potrebbero integrare le osservazioni convenzionali in questo processo. Tuttavia, lo studio attuale non ha verificato se l'output del classificatore migliori le prestazioni dei medici, riduca le procedure di FNAC non necessarie o modifichi gli esiti per i pazienti. Gli output del modello non dovrebbero quindi ancora guidare le decisioni cliniche. Piuttosto, dovrebbero essere considerati strumenti di ricerca che dimostrano la validità del principio e forniscono una base per una valutazione prospettica. Durante l'analisi, tutti i noduli di un singolo paziente devono rimanere all'interno dello stesso fold, e la pre-elaborazione deve essere addestrata utilizzando esclusivamente la porzione di addestramento di quel fold.
Diversi limiti devono essere considerati. In primo luogo, si è trattato di uno studio retrospettivo monocentrico su 68 noduli provenienti da 63 pazienti, senza validazione esterna; la ridotta dimensione del campione potrebbe aumentare il rischio di overfitting. Tuttavia, la cross-validation raggruppata per paziente fornisce alcune garanzie. In secondo luogo, tutte le etichette di riferimento sono state ottenute da FNAC guidata da ecografia piuttosto che da istopatologia postoperatoria. La FNAC fornisce evidenze citologiche ma non è equivalente alla conferma istologica postoperatoria e potrebbe introdurre errori di classificazione, in particolare nei noduli classificati come benigni, nonostante abbiamo limitato l’ambito dei noduli benigni ed eseguito il test genetico per BRAFV600E su tutti i noduli. In terzo luogo, il gruppo maligno era limitato ai noduli classificati come PTC alla FNAC, riducendone la generalizzabilità ad altri tipi di neoplasie tiroidee. In quarto luogo, ulteriori fattori clinici (funzionalità tiroidea, anamnesi familiare) non sono stati raccolti in modo sistematico. Infine, non è stata effettuata alcuna ottimizzazione sistematica degli iperparametri, analisi di calibrazione o confronto indipendente basato su immagini con apprendimento profondo. Nonostante questi limiti, la coerenza dei nostri risultati con la plausibilità biologica e con la letteratura esistente conferisce fiducia nella loro validità. Le ricerche future dovrebbero dare priorità a: (1) validazione prospettica multicentrica su coorti più ampie con istopatologia postoperatoria; (2) fusione multimodale che integri l’SRUS con elastografia ed ecografia convenzionale; (3) biomarcatori sierici, protocolli standardizzati di acquisizione, criteri di controllo qualità34 e ottimizzazione dell’ingegnerizzazione delle caratteristiche.
In conclusione, questo studio dimostra la fattibilità di applicare algoritmi convenzionali di apprendimento automatico a misurazioni microvascolari quantitative mediante SRUS, al fine di supportare una classificazione esplorativa dei noduli tiroidei. L'SVM ha mostrato un'elevata sensibilità ma una specificità limitata, sostenendone il potenziale ruolo come strumento di screening piuttosto che come sostituto diagnostico. Sebbene preliminari, i nostri risultati stabiliscono una pipeline di valutazione riproducibile e resistente alle perdite, giustificando una validazione prospettica in coorti più ampie.
Dichiarazioni
Gli autori dichiarano di non avere conflitti di interessi.
Ringraziamenti
Gli autori ringraziano il personale del Dipartimento di Ecografia dell'Ospedale di Amicizia di Pechino, Università Medica della Capitale, per l'assistenza nella raccolta dei dati dei pazienti.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Classificatore Albero decisionale | scikit-learn | Version 1.5.2 | Classificatore di apprendimento automatico |
| Ago per biopsia con aspirato con ago sottile | Utilizzato per FNAC guidata da ultrasuoni | ||
| Classificatore Gradient Boosting | scikit-learn | Version 1.5.2 | Classificatore di apprendimento automatico |
| Catetere endovenoso | Utilizzato per la somministrazione del mezzo di contrasto | ||
| Python | Python Software Foundation | Version 3.11.9 | Linguaggio di programmazione utilizzato per l'analisi di apprendimento automatico |
| Classificatore Random Forest | scikit-learn | Version 1.5.2 | Classificatore di apprendimento automatico |
| SHAP (spiegatore per permutazione) | SHAP Developers | Version 0.46.0 | Analisi dell'interpretabilità del modello |
| Agente di contrasto SonoVue | Bracco | Agente di contrasto per ultrasuoni utilizzato nelle immagini CEUS/SRUS | |
| StandardScaler | scikit-learn | Version 1.5.2 | Standardizzazione delle caratteristiche per la pipeline SVM |
| Soluzione fisiologica sterile | Utilizzata per il flush endovenoso dopo l'iniezione del mezzo di contrasto | ||
| StratifiedGroupKFold | scikit-learn | Version 1.5.2 | Validazione incrociata raggruppata per paziente |
| Classificatore Support Vector Machine (SVM) | scikit-learn | Version 1.5.2 | Classificatore con kernel a funzione radiale |
| Trasduttore lineare U5-15LE | VINNO Technology | U5-15LE | Proboscide lineare per ultrasuoni |
| Sistema ecografico ULTIMUS 9E | VINNO Technology | ULTIMUS 9E | Sistema di imaging ecografico utilizzato per immagini in modo B, Doppler colorato, CEUS e SRUS |
| XGBoost | XGBoost Developers | Version 2.1.1 | Framework di gradient boosting |
Riferimenti
- 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.