È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

Caratteristiche microvascolari quantitative dell'ecografia a super-risoluzione per la classificazione dei noduli tiroidei basata sull'apprendimento automatico

211 visualizzazioni

⸱

11 settembre 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

In questo articolo

Sommario

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.

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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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:

Equazione della formula di standardizzazione \( z = \frac{x - \mu}{\sigma} \), metodo statistico.

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

Formula dell'accuratezza, ACC=(TP+TN)/(TP+TN+FP+FN), equazione di misurazione statistica.

Sensibilità (Recupero): Proporzione di noduli maligni effettivi correttamente identificati

Metodo spettroscopico con equazione SEN=; diagramma assorbimento-emissione; configurazione per lo studio ottico.  Equazione della precisione (TP/TP+FN) per l'analisi dei dati.

Specificità: proporzione di noduli benigni effettivi correttamente identificati

Formula della specificità: SPE = TN/(TN+FP), equazione, analisi statistica, prestazione diagnostica.

Precisione (Valore Predittivo Positivo): Proporzione di casi predetti come maligni che erano effettivamente maligni

Formula del valore predittivo positivo, calcolo del VPP, equazione con veri positivi (TP) e falsi positivi (FP).

F1-Score: media armonica tra precisione e richiamo

Formula del punteggio F1 F1=2(Precisione×Richiamo)/(Precisione+Richiamo), equazione matematica.

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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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-risol...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Classificatore Albero decisionalescikit-learnVersion 1.5.2Classificatore di apprendimento automatico
Ago per biopsia con aspirato con ago sottileUtilizzato per FNAC guidata da ultrasuoni
Classificatore Gradient Boostingscikit-learnVersion 1.5.2Classificatore di apprendimento automatico
Catetere endovenosoUtilizzato per la somministrazione del mezzo di contrasto
PythonPython Software FoundationVersion 3.11.9Linguaggio di programmazione utilizzato per l'analisi di apprendimento automatico
Classificatore Random Forestscikit-learnVersion 1.5.2Classificatore di apprendimento automatico
SHAP (spiegatore per permutazione)SHAP DevelopersVersion 0.46.0Analisi dell'interpretabilità del modello
Agente di contrasto SonoVueBraccoAgente di contrasto per ultrasuoni utilizzato nelle immagini CEUS/SRUS
StandardScalerscikit-learnVersion 1.5.2Standardizzazione delle caratteristiche per la pipeline SVM
Soluzione fisiologica sterileUtilizzata per il flush endovenoso dopo l'iniezione del mezzo di contrasto
StratifiedGroupKFoldscikit-learnVersion 1.5.2Validazione incrociata raggruppata per paziente
Classificatore Support Vector Machine (SVM)scikit-learnVersion 1.5.2Classificatore con kernel a funzione radiale
Trasduttore lineare U5-15LEVINNO TechnologyU5-15LEProboscide lineare per ultrasuoni
Sistema ecografico ULTIMUS 9EVINNO TechnologyULTIMUS 9ESistema di imaging ecografico utilizzato per immagini in modo B, Doppler colorato, CEUS e SRUS
XGBoostXGBoost DevelopersVersion 2.1.1Framework di gradient boosting

Riferimenti

  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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Esplora altri articoli

Classificazione dei noduli tiroideialgoritmi di machine learningecografia contrast-enhancedcaratteristiche ecografiche quantitativecarcinoma papillare della tiroideanalisi SHAPRandom ForestSupport Vector Machinecross-validation a cinque pieghe
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.