Ilościowe cechy mikronaczyniowe w ultrasonografii o superrozdzielczości do klasyfikacji guzków tarczycy opartej na uczeniu maszynowym

Podsumowanie

W niniejszym badaniu porównano pięć algorytmów uczenia maszynowego do klasyfikacji guzków tarczycy z wykorzystaniem cech obrazowania ultradźwiękowego o wysokiej rozdzielczości (super-resolution). Najlepsze wyniki uzyskał model SVM (dokładność 68,6%, pole pod krzywą AUC 0,690), identyfikując mikrozwapnienia oraz powiększenie po podaniu kontrastu jako kluczowe czynniki, jednak wyniki te wymagają zewnętrznej walidacji przed zastosowaniem w praktyce klinicznej.

Streszczenie

W niniejszym badaniu porównano pięć algorytmów uczenia maszynowego — Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT), eXtreme Gradient Boosting (XGBoost) oraz Gradient Boosting (GB) — w celu klasyfikacji guzków tarczycy z wykorzystaniem cech ilościowych uzyskanych z konwencjonalnego badania ultrasonograficznego, ultrasonografii z kontrastem (CEUS) oraz ultrasonografii o superrozdzielczości (SRUS). Retrospektywne badanie objęło 68 guzków tarczycy u 63 pacjentów (30 łagodnych i 38 potwierdzonych jako rakowiak tarczycy [PTC]) i zostało przeanalizowane pod kątem 25 cech ilościowych z zastosowaniem pięciokrotnej walidacji krzyżowej z grupowaniem pacjentów, co zapewniło przypisanie wszystkich guzków od tego samego pacjenta do tej samej grupy (fold). Wydajność modeli podsumowano w ramach grup oraz na podstawie połączonych predykcji poza grupą (out-of-fold [OOF]), a dla najlepiej działającego modelu SVM przeprowadzono ukierunkowaną analizę OOF SHapley Additive exPlanations (SHAP) z wykorzystaniem wyjaśniacza opartego na permutacji. SVM osiągnął najwyższą średnią dokładność (0.686 ± 0.120) oraz średnią wartość pola pod krzywą charakterystyki operacyjnej odbiornika (ROC-AUC) (0.690 ± 0.164), przy połączonej czułości OOF wynoszącej 0.842 i swoistości 0.50, natomiast mikrowapnienia oraz powiększenie po podaniu kontrastu zostały zidentyfikowane jako najistotniejsze czynniki SHAP dla tego modelu. RF wykazał zrównoważoną wydajność (dokładność 5.9%, czułość 5.3%, swoistość 56.7%), podczas gdy DT wypadł słabo (dokładność 0.429, ROC-AUC 0.47), zbliżając się do poziomu losowego zgadywania. Badanie wykazało, że ilościowe pomiary SRUS mogą zostać włączone do konwencjonalnych klasyfikatorów; jednak wyniki mają charakter wstępny i wymagają prospektywnej walidacji wieloośrodkowej na większych kohortach przed wdrożeniem klinicznym.

Wprowadzenie

Guzki tarczycy stanowią bardzo powszechne znalezisko kliniczne, a wskaźniki ich wykrywalności w populacjach bezobjawowych podczas badania ultrasonograficznego sięgają 68%¹. Niedawne metaanalizy wykazały, że globalna rozpowszechnioność guzków tarczycy wzrosła z 21,53% w latach 20–201 do 29,29% w latach 2012–2022, dotykając około jednej na cztery osoby w ogólnej populacji^2,3. Wśród tych guzków w 7–15% przypadków ostatecznie diagnozowany jest rak tarczycy, z czego przeważającym podtypem jest rak brodawkowaty tarczycy (PTC)^4,5. PTC odpowiada za 80–90% wszystkich nowotworów złośliwych tarczycy i stał się jednym z najszybciej rosnących typów raka, a wskaźniki zapadalności wzrosły z 4,8 do 14,9 na 10 0 osób w latach 1975–2012⁶.

Konwencjonalne badanie ultrasonograficzne pozostaje podstawą oceny guzków tarczycy, oferując nieinwazyjną, kosztowo efektywną i powszechnie dostępną metodę diagnostyczną⁷. Tradycyjne cechy sonograficzne sugerujące złośliwość obejmują wyraźną hipoechogeniczność, nieregularne brzegi, mikrozwapnienia oraz kształt w pionie większy niż w poziomie^8,9. Jest ona jednak zasadniczo ograniczona przez barierę dyfrakcji akustycznej, która redukuje rozdzielczość przestrzenną do około 10 µm¹⁰. Ograniczenie to znacząco utrudnia wizualizację mikrokrążenia i ocenę szczegółowej morfologii naczyń, które są krytycznymi parametrami w różnicowaniu łagodnych i złośliwych zmian tarczycy¹. Obrazowanie przepływów w kolorowym Dopplerze (CDFI) oraz ultrasonografia z kontrastem (CEUS), mimo poprawy wykrywalności przepływu krwi, pozwalają na wizualizację jedynie naczyń o prędkości przepływu przekraczającej 1 cm/s i nadal pozostają ograniczone rozdzielczością dyfrakcyjną^12,13.

Ultradźwięki o superrozdzielczości (SRUS), jako technologia przełomowa, pokonują tradycyjny limit dyfrakcyjny konwencjonalnych systemów ultradźwiękowych^14,15. Dzięki wykorzystaniu kontrastowych mikropęcherzyków jako punktowych celów do lokalizacji i śledzenia, SRUS osiąga rozdzielczość przestrzenną w skali mikronowej, umożliwiając wizualizację i kwantyfikację mikrokrążenia na bezprecedensowym poziomie szczegółowości^16,17. Technika ta pozwala na pomiar zarówno gęstości mikronaczyniowej (MVD), jak i szybkości przepływu w mikronaczyniach (MFR), zapewniając oceny strukturalne i funkcjonalne, które są nieosiągalne za pomocą nieinwazyjnego obrazowania^17,18. Badania pilotażowe wykazały, że łagodne guzki tarczycy wykazują znacznie wyższą MFR niż guzki złośliwe, z wartościami średnimi odpowiednio 16,76 ± 6,82 mm/s oraz 9,86 ± 4,54 mm/s¹⁹. Wprowadzenie „ultradźwiękowej mikronaczyniomiki” — wysokoprzepustowej ekstrakcji cech ilościowych z obrazów SRUS — dodatkowo zwiększa potencjał precyzyjnej i spersonalizowanej oceny mikronaczyniowej.

Uczenie maszynowe (ML) zrewolucjonizowało analizę obrazowania medycznego, w szczególności w zakresie charakterystyki guzków tarczycy^20,21. Modele głębokiego uczenia, a zwłaszcza konwolucyjne sieci neuronowe (CNN), osiągnęły w poprzednich badaniach wartości pola pod krzywą charakterystyki operacyjnej odbiornika (ROC-AUC) przekraczające 0,90^2,23,24. Podejścia oparte na zespołowym uczeniu maszynowym, łączące wiele algorytmów — w tym Random Forest (RF), maszyny wektorów nośnych (SVM), drzewa decyzyjne (DT), Gradient Boosting (GB) oraz eXtreme Gradient Boosting (XGBoost) — wykazały potencjał w poprawie dokładności diagnostycznej i odporności w odniesieniu do heterogenicznych zbiorów danych²¹. Jak niedawno kompleksowo przeanalizowali Habchi i wsp.²⁵, dziedzina sztucznej inteligencji (AI) w diagnostyce raka tarczycy szybko się rozszerzyła, obejmując konwertery wizualne, duże modele językowe i architektury hybrydowe, co odzwierciedla rozwój tej dyscypliny w kierunku coraz bardziej złożonych ram diagnostycznych opartych na obrazowaniu.

Podczas gdy konwencjonalne cechy ultrasonograficzne były szeroko badane w połączeniu z algorytmami AI, kombinacja parametrów mikronaczyniowych o superrozdzielczości z modelami ML pozostaje w dużej mierze nieznana. Pomimo obiecującego potencjału technologii SRUS oraz udowodnionej skuteczności algorytmów uczenia maszynowego w obrazowaniu medycznym, kilka kluczowych pytań pozostaje bez odpowiedzi. Po pierwsze, która architektura uczenia maszynowego — czy tradycyjne algorytmy, takie jak RF i SVM, czy zaawansowane metody zespołowe, takie jak XGBoost i GB — wykazuje optymalną wydajność w odniesieniu do cech mikronaczyniowych pochodzących z SRUS? Po drugie, jak modele te wypadają w porównaniu pod kątem czułości, swoistości i ogólnej dokładności diagnostycznej w różnicowaniu łagodnych i złośliwych guzków tarczycy? Po trzecie, które parametry mikronaczyniowe wyodrębnione z obrazowania SRUS w największym stopniu wpływają na skuteczność klasyfikacji? Odpowiedź na te pytania jest niezbędna do stworzenia opartych na dowodach ram dla implementacji klinicznej diagnostyki guzków tarczycy wspomaganej przez SRUS.

W związku z tym niniejsze badanie ma na celu kompleksową ocenę wydajności pięciu algorytmów ML (RF, SVM, DT, XGBoost i GB) w klasyfikacji guzków tarczycy z wykorzystaniem danych z obrazowania mikro naczyniowego USG w superrozdzielczości. Poprzez systematyczne porównanie tych podejść i zidentyfikowanie najbardziej informacyjnych biomarkerów mikronaczyniowych, badanie to ma na celu usprawnienie paradygmatu diagnostycznego w charakterystyce guzków tarczycy oraz wniesienie wkładu w rosnącą bazę dowodów potwierdzających użyteczność kliniczną technologii SRUS w obrazowaniu onkologicznym. Postawiliśmy hipotezę, że uprzednio określony zestaw 25 cech pozwoli na dyskryminację guzków łagodnych i guzków zdiagnozowanych jako rakowiak brodawkowaty tarczycy na poziomie przekraczającym wynik przypadkowy. W celu ograniczenia wycieku informacji zastosowano walidację krzyżową z grupowaniem pacjentów, a w celu opisania sposobu wykorzystania zmierzonych zmiennych przez wybrany klasyfikator dodano ukierunkowaną analizę SHAP. Obie analizy miały charakter eksploracyjny.

Protokół

Projekt badania i populacja pacjentów

W niniejszym badaniu retrospektywnym przeanalizowano badania USG tarczycy wykonane w okresie od 13 czerwca 2024 do 13 stycznia 2025 roku. Protokół badania został zatwierdzony przez Komisję Etyczną Szpitala Przyjaźni w Pekinie, Capital Medical University (numer zatwierdzenia BFHHZS20240300) i przeprowadzono go zgodnie z zasadami etycznymi określonymi w Deklaracji Helsińskiej; z uwagi na retrospektywny charakter badania zrezygnowano z wymogu uzyskania świadomej zgody. Zestaw danych obejmował 68 guzków tarczycy u 63 pacjentów (30 łagodnych i 38 złośliwych), przyjmując guzek jako jednostkę analityczną. Diagnozy referencyjne oparto na wynikach cienkoigłowej aspiracji biopsji (FNAC) pod kontrolą USG. Grupa złośliwa składała się z 38 guzków, w których badaniu FNAC stwierdzono raka brodawczatego tarczycy.

Kryteria włączenia

Kwalifikowani pacjenci musieli spełniać wszystkie następujące kryteria: (1) poddanie konwencjonalnej ultrasonografii w skali szarości oraz badaniu Dopplerowskiemu, a następnie CEUS z satysfakcjonującą jakością obrazu umożliwiającą późniejszą analizę obrazowania przepływu mikronaczyniowego; (2) rozpoznanie cytopatologiczne PTC potwierdzone biopsją aspiracyjną cienkoigłową, z towarzyszącym pozytywnym wynikiem badania mutacji BRAFV600E lub bez niego; lub wynik cytologiczny w kategorii III według klasyfikacji Bethesda (atypia o nieokreślonym znaczeniu) przy jednoczesnym pozytywnym wyniku badania mutacji BRAFV600E; (3) rozpoznanie cytopatologiczne łagodnych guzków proliferacyjnych, guzków gruczolakowatych lub łagodnych guzków pęcherzykowych w kategorii II według klasyfikacji Bethesda bez towarzyszącego pozytywnego wyniku badania mutacji BRAFV600E.

Kryteria wykluczenia

Pacjentów wykluczono z badania, jeśli wystąpił którykolwiek z następujących warunków: (1) słaba jakość obrazów CEUS lub niewystarczający sygnał mikropęcherzykowy uniemożliwiający wiarygodną ocenę przepływu mikronaczyniowego; (2) brak wyników cytologicznych lub patomorfologicznych; (3) diagnoza histopatologiczna rzadkiego lub specjalnego podtypu raka tarczycy (np. warianty anaplastyczne); (4) znaleziska cytologiczne sugerujące nowotwór pęcherzykowy (kategoria IV według klasyfikacji Bethesda) lub każda zmiana o nieokreślonym pochodzeniu pęcherzykowym, niezależnie od statusu mutacyjnego; (5) zapalenie tarczycy Hashimoto

Pozyskiwanie obrazów USG, CEUS i SRUS

Wszystkie badania przeprowadzono przy użyciu referencyjnego systemu ultrasonograficznego i przetwornika liniowego. Pacjenci zostali ułożeni w pozycji tyłem z wyprośtem szyi. Guz docelowy zlokalizowano i zmierzono w trybie B-mode ultrasonografii; odnotowano obecność mikrozwapnień, a tę samą płaszczyznę obrazowania z centrowaniem na zmianie wykorzystano do oceny unaczynienia wewnątrzguźlowego za pomocą kolorowego Dopplera.

Po zapewnieniu dostępu dożylnego system przełączono w tryb CEUS/URM o niskim indeksie mechanicznym (URM oznacza obrazowanie mikroskopowe o ultrawysokiej rozdzielczości). Badanie CEUS przeprowadzono poprzez dożylny wtrysk bolusa SonoVue w ilości 1,2 mL, po którym natychmiast podano 5 ml soli fizjologicznej; w momencie podania bolusa uruchomiono licznik ekranowy oraz ciągłą akwizycję obrazów cine. Głowicę utrzymywano w stałej płaszczyźnie przy minimalnym nacisku, a pacjenta poproszono o unikanie połykania podczas fazy wlewania i wypłukiwania kontrastu.

W przypadku ilościowego CEUS, w celu wyznaczenia parametrów czasowo-intensywnościowych wykorzystano ograniczony do zmiany obszar zainteresowania. W przypadku SRUS, proces URM zlokalizował i śledził sygnały mikropęcherzyków po kontroli ruchu, a następnie wygenerował pomiary stosunku naczyń, złożoności, gęstości mikronaczyniowej, indeksu perfuzji oraz prędkości przepływu. Reprezentatywne eksporty obrazów wykazały ustawienia VSP 4, RES 2, CTR 3, SM 2, VEN 3 oraz CPT 10 s; odpowiednie ustawienia dla pozostałych badań były niedostępne.

25 zmiennych wejściowych modelu wymieniono w Tabeli 1 i pogrupowano według modalności pozyskania danych: wiek i płeć; mikrozwapnienia w trybie B; unaczynienie wewnątrzguźlaste w badaniu Color Doppler; jakościowe CEUS; ilościowe CEUS oraz 11 pomiarów mikrokrążenia w SRUS.

Wybór cech

W modelach uczenia maszynowego zachowano wszystkie 25 cech ilościowych. Wykorzystano wyłącznie cechy numeryczne; wykluczono imiona i nazwiska pacjentów, numery rejestracyjne oraz pola dotyczące wielkości zmian. Nie przeprowadzono selekcji cech w oparciu o dane, a do każdego klasyfikatora wprowadzono te same, wcześniej określone predyktory.

Standaryzacja cech

Przed walidacją krzyżową nie zastosowano żadnej transformacji, imputacji ani globalnego skalowania. Standaryzację zastosowano wyłącznie w przypadku SVM z funkcją bazową radialną (RBF) za pomocą potoku StandardScaler. Skaler był dopasowywany do węzłów treningowych w każdym folderze, a następnie stosowany do węzłów walidacyjnych w tym samym folderze. Klasyfikatory oparte na drzewach otrzymały oryginalne skale numeryczne:

gdzie x jest pierwotną wartością cechy, µ to średnia z folderu treningowego, a σ to odchylenie standardowe z folderu treningowego. Przetwarzanie wstępne w obrębie folderów zapobiegło wpływowi obserwacji walidacyjnych na parametry skalowania SVM.

Partycjonowanie danych

Podstawowa ocena wydajności została przeprowadzona z wykorzystaniem pięciokrotnej walidacji krzyżowej StratifiedGroupKFold z parametrami shuffle = True oraz random_state = 42. Identyfikator pacjenta zdefiniował 63 grupy, a wszystkie guzki od tego samego pacjenta zostały przypisane do tego samego folda. Żaden pacjent nie dostarczył guzków jednocześnie do podzbioru treningowego i walidacyjnego w obrębie jednego folda.

Trenowanie i walidacja modelu

Protokół szkoleniowy

Oceniono pięć klasyfikatorów: las losowy (random forest; 100 drzew; random_state = 42), maszynę wektorów wspierających z funkcją jądra RBF (radial-basis-function SVM; C = 1.0; gamma = scale; probability = True; potok StandardScaler; random_state = 42), drzewo decyzyjne (decision tree; kryterium Gini; nieograniczona głębokość; random_state = 42), XGBoost (100 estymatorów; learning_rate = 0.3; max_depth = 6; subsample = 1.0; colsample_bytree = 1.0; random_state = 42) oraz gradient boosting (100 estymatorów; learning_rate = 0.1; max_depth = 3; random_state = 42). Nie przeprowadzono przeszukiwania siatki (grid search), optymalizacji bayesowskiej, dostrajania progu ani zagnieżdżonej selekcji modelu.

Walidacja krzyżowa

W ramach każdego z pięciu podziałów grup pacjentów, modele były trenowane na pozostałych grupach pacjentów i ewaluowane na grupach wyłączonych. Dla każdego podziału obliczono dokładność, czułość, swoistość, precyzję, wynik F1 oraz ROC-AUC, a wyniki przedstawiono jako średnią ± SD. Przewidywania OOF z wszystkich 68 guzków zostały połączone, aby wygenerować jedną krzywą ROC z walidacją krzyżową oraz jedną macierz pomyłek dla każdego modelu.

Ocena wydajności

Metryki oceny

Wydajność modelu oceniano w obrębie każdego folderu walidacyjnego zgrupowanego pacjentów oraz na podstawie zbiorczych predykcji OOF, stosując następujące metryki:

Dokładność: Całkowita proporcja poprawnych przewidywań

Czułość (Recall): Odsetek rzeczywistych guzków złośliwych, które zostały prawidłowo zidentyfikowane

  

Swoistość: Odsetek łagodnych guzków prawidłowo zidentyfikowanych

Precyzja (dodatnia wartość predykcyjna): Proporcja przewidzianych przypadków złośliwych, które rzeczywiście okazały się złośliwe

F1-Score: Średnia harmoniczna precyzji i pełności

Pole pod krzywą charakterystyki operacyjnej odbiornika (ROC-AUC): Miara zdolności modelu do rozróżniania guzków łagodnych od złośliwych dla wszystkich progów klasyfikacji

gdzie TP = prawdziwie dodatnie (poprawnie zidentyfikowane guzki złośliwe), TN = prawdziwie ujemne (poprawnie zidentyfikowane guzki łagodne), FP = fałszywie dodatnie (guzki łagodne błędnie sklasyfikowane jako złośliwe) oraz FN = fałszywie ujemne (guzki złośliwe błędnie sklasyfikowane jako łagodne).

Analiza macierzy pomyłek

Macierze błędów OOF zostały wygenerowane poprzez agregację predykcji dokonanych dla każdego guzka wyłącznie w tej części zbioru (fold), w której pacjent ten został wykluczony. W ten sposób dla każdego guzka uzyskano predykcję z modelu wytrenowanego na guzkach innych pacjentów.

Analiza istotności cech

Dla modelu Random Forest obliczono wskaźniki istotności cech na podstawie średniego spadku zanieczyszczenia Gini we wszystkich drzewach decyzyjnych. Zidentyfikowano i uszeregowano 15 najważniejszych cech, aby określić, które parametry mikronaczyniowe miały najistotniejszy wpływ na skuteczność klasyfikacji.

Eksploracyjna analiza SHAP

Dla modelu SVM przeprowadzono ukierunkowaną analizę OOF SHAP z wykorzystaniem wyjaśniającego opartego na permutacji. Dla każdego pominiętego guzka w ramach walidacji krzyżowej jako rozkład tła wykorzystano wyłącznie odpowiadające mu obserwacje z folderu treningowego (128 permutacji antytetycznych; ziarno losowe = 20260716). Średnie bezwzględne wartości SHAP podsumowały wielkość wkładu, a wartości ze znakiem wskazały jego kierunek. Analiza miała charakter eksploracyjny i nie była wykorzystywana do wnioskowania o przyczynowości, identyfikacji niezależnych biomarkerów ani definiowania progów klinicznych.

Analiza statystyczna

Analiza porównawcza

Wydajność modelu została podsumowana opisowo w pięciu grupach walidacyjnych z podziałem na pacjentów oraz w zbiorczych predykcjach OOF. Nie przeprowadzono formalnych testów hipotez między modelami ani rankingu opartego na wartościach P, ponieważ grupy są ze sobą powiązane, a kohorta jest niewielka.

W celu porównania grup wyjściowych oceniano normalność rozkładu zmiennych ciągłych w każdej grupie wyników za pomocą testu Shapiro-Wilka. Stosowano test t Welcha, gdy obie grupy wykazywały rozkład zgodny z normalnym; w przeciwnym razie stosowano dwustronny test U Manna-Whitneya. Zmienne kategoryczne analizowano za pomocą testu chi-kwadrat Pearsona, a w przypadku rzadkich tabel 2 x 2 stosowano dokładny test Fishera. Wartości P były dwustronne, eksploracyjne i niekorygowane (alfa = 0,05).

Powtarzalność

Powtarzalność zapewniono poprzez określenie definicji grupy pacjentów, ustalenie stałego ziarna generatora liczb losowych (42), stałe konfiguracje klasyfikatorów oraz przetwarzanie wstępne w obrębie poszczególnych fałd. Identyfikatory służyły wyłącznie do grupowania i nie były wprowadzane jako predyktory ani eksportowane wraz z wynikami modelu.

Wyniki

Charakterystyka pacjentów i populacja badana

W badaniu uwzględniono łącznie 68 guzków tarczycy od 63 pacjentów, w tym 30 guzków łagodnych oraz 38 PTC. Jednostką analityczną był guzek, a grupowanie pacjentów zapobiegało obecności guzków od tego samego pacjenta w podzbiorach treningowym i walidacyjnym. Charakterystyka wyjściowa została podsumowana w Tabeli 2.

Rysunek 1 przedstawia technicznie udane rekons...

Dyskusja

Obecne podejścia diagnostyczne w przypadku guzków tarczycy opierają się głównie na konwencjonalnym badaniu ultrasonograficznym, które z natury pozostaje zależne od operatora i podatne na zmienność międzyobserwacyjną⁵, a także na niemożność wizualizacji mikrokrążenia poniżej limitu dyfrakcyjnego. Z naszej wiedzy wynika, że nasze badanie jest pierwszą kompleksową oceną wielu algorytmów uczenia maszynowego zastosowanych do danych obrazowania mikrokrążenia metodą ultrasonografii o superrozdzielczości ...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Klasyfikator Decision Tree	scikit-learn	Version 1.5.2	Klasyfikator uczenia maszynowego
Igła do biopsji aspiracyjnej cienkoigłowej			Stosowana do FNAC pod kontrolą USG
Klasyfikator Gradient Boosting	scikit-learn	Version 1.5.2	Klasyfikator uczenia maszynowego
Kaniula dożylna			Stosowana do podawania kontrastu
Python	Python Software Foundation	Version 3.11.9	Język programowania użyty do analizy uczenia maszynowego
Klasyfikator Random Forest	scikit-learn	Version 1.5.2	Klasyfikator uczenia maszynowego
SHAP (permutation explainer)	SHAP Developers	Version 0.46.0	Analiza wyjaśnialności modelu
SonoVue contrast agent	Bracco		Środek kontrastowy do badań CEUS/SRUS
StandardScaler	scikit-learn	Version 1.5.2	Standaryzacja cech dla potoku SVM
Sterylna sól fizjologiczna			Stosowana do przepłukania żyły po wstrzyknięciu kontrastu
StratifiedGroupKFold	scikit-learn	Version 1.5.2	Kwalifikacja krzyżowa z grupowaniem pacjentów
Klasyfikator Support Vector Machine (SVM)	scikit-learn	Version 1.5.2	Klasyfikator z jądrem funkcji radialnej (RBF)
U5-15LE linear-array transducer	VINNO Technology	U5-15LE	Liniowy przetwornik ultradźwiękowy
ULTIMUS 9E ultrasound system	VINNO Technology	ULTIMUS 9E	System obrazowania ultradźwiękowego stosowany do badań B-mode, Color Doppler, CEUS i SRUS
XGBoost	XGBoost Developers	Version 2.1.1	Środowisko gradient boosting