Исследовательская статья

Количественные признаки микрососудистого русла, полученные с помощью ультразвукового исследования сверхвысокого разрешения, для классификации узлов щитовидной железы на основе машинного обучения

69 просмотров

⸱

11 сентября 2026 г.

 ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

В данном исследовании сравнивались пять алгоритмов машинного обучения для классификации узлов щитовидной железы с использованием признаков ультразвукового исследования сверхвысокого разрешения. Лучшие показатели продемонстрировал SVM (точность 68,6%, площадь под кривой 0,690), при этом в качестве ключевых факторов были определены микрокальцинаты и увеличение размера после введения контрастного вещества, однако полученные результаты требуют внешней валидации перед внедрением в клиническую практику.

Аннотация

В данном исследовании сравнивались пять алгоритмов машинного обучения — случайный лес (Random Forest, RF), метод опорных векторов (Support Vector Machine, SVM), дерево решений (Decision Tree, DT), экстремальный градиентный бустинг (eXtreme Gradient Boosting, XGBoost) и градиентный бустинг (Gradient Boosting, GB) — для классификации узлов щитовидной железы с использованием количественных признаков, полученных с помощью традиционного ультразвукового исследования (УЗИ), ультразвукового исследования с контрастированием (CEUS) и ультразвукового исследования сверхвысокого разрешения (SRUS). В ретроспективное исследование было включено 68 узлов щитовидной железы от 63 пациентов (30 доброкачественных и 38 подтвержденных папиллярных карцином щитовидной железы [PTC]); анализ проводился по 25 количественным признакам с использованием пятикратной перекрестной проверки с группировкой по пациентам, что гарантировало распределение всех узлов одного пациента в один и тот же блок. Эффективность моделей оценивалась по результатам всех блоков и на основе объединенных предсказаний вне выборки (out-of-fold, OOF), а для наиболее эффективной модели SVM был проведен специализированный анализ SHapley Additive exPlanations (SHAP) на основе перестановок. Модель SVM показала самую высокую среднюю точность (0.686 ± 0.120) и среднее значение площади под ROC-кривой (ROC-AUC) (0.690 ± 0.164) с объединенной OOF-чувствительностью 0.842 и специфичностью 0.50; при этом микрокальцинаты и увеличение размера после введения контраста были определены как наиболее значимые специфические факторы влияния согласно анализу SHAP. RF продемонстрировал сбалансированные показатели (точность 5.9%, чувствительность 5.3%, специфичность 56.7%), тогда как DT показал низкие результаты (точность 0.429, ROC-AUC 0.47), близкие к случайному угадыванию. Исследование показало, что количественные измерения SRUS могут быть интегрированы в стандартные классификаторы; однако полученные результаты носят предварительный характер и требуют проспективной многоцентровой валидации на более крупных когортах перед внедрением в клиническую практику.

Введение

Узлы щитовидной железы представляют собой весьма распространенную клиническую находку; при ультразвуковом исследовании бессимптомных популяций частота их обнаружения достигает 68%1. Недавние метаанализы показали, что глобальная распространенность узлов щитовидной железы увеличилась с 21,53% в период 20–201 гг. до 29,29% в период 2012–202 гг., что затрагивает примерно каждого четвертого человека в общей популяции2,3. Среди этих узлов в конечном итоге у 7–15% диагностируется рак щитовидной железы, при этом преобладающим подтипом является папиллярный рак щитовидной железы (PTC)4,5. На долю PTC приходится 80–90% всех злокачественных новообразований щитовидной железы; он стал одним из самых быстрорастущих типов рака, при этом показатели заболеваемости увеличились с 4,8 до 14,9 на 10 0 человек в период с 1975 по 2012 год6.

Традиционное ультразвуковое исследование остается основным методом оценки узлов щитовидной железы, представляя собой неинвазивный, экономичный и широко доступный диагностический метод7. Классические сонографические признаки, указывающие на злокачественность, включают выраженную гипоэхогенность, неровные контуры, микрокальцинаты и форму, при которой высота узла превышает его ширину8,9. Однако возможности этого метода фундаментально ограничены дифракционным пределом, который ограничивает пространственное разрешение примерно 10 мкм10. Это ограничение существенно затрудняет визуализацию микрососудов и оценку тонкой морфологии сосудов, что является критически важными параметрами для дифференциации доброкачественных и злокачественных образований щитовидной железы1. Цветовое допплеровское картирование (ЦДК) и ультразвуковое исследование с контрастным усилением (УЗИ с КУ), несмотря на улучшение детекции кровотока, позволяют визуализировать только сосуды со скоростью потока более 1 cm/s и остаются ограниченными дифракционным пределом разрешения12,13.

Ультразвук сверхвысокого разрешения (SRUS), являясь трансформационной технологией, преодолевает традиционный дифракционный предел обычных ультразвуковых систем14,15. Используя контрастные микропузырьки в качестве точечных мишеней для локализации и отслеживания, SRUS обеспечивает пространственное разрешение микронного масштаба, что позволяет визуализировать и количественно оценивать микроциркуляторное русло с беспрецедентным уровнем детализации16,17. Данный метод позволяет измерять как плотность микрососудов (MVD), так и скорость микрососудистого кровотока (MFR), обеспечивая структурную и функциональную оценку, которая была недоступна при использовании неинвазивных методов визуализации17,18. Пилотные исследования показали, что доброкачественные узлы щитовидной железы характеризуются значительно более высокой MFR, чем злокачественные: средние значения составили 16.76 ± 6.82 mm/s и 9.86 ± 4.54 mm/s соответственно19. Внедрение «ультразвуковой микрососудистой омики» — высокопроизводительного извлечения количественных признаков из SRUS-изображений — дополнительно расширяет возможности точной и персонализированной оценки микроциркуляторного русла.

Машинное обучение (ML) произвело революцию в анализе медицинских изображений, особенно в характеристике узлов щитовидной железы20,21. Модели глубокого обучения, в частности сверточные нейронные сети (CNN), в предыдущих исследованиях достигли значений площади под ROC-кривой (ROC-AUC), превышающих 0,902,23,24. Ансамблевые подходы машинного обучения, объединяющие несколько алгоритмов, включая случайный лес (RF), метод опорных векторов (SVM), деревья решений (DT), градиентный бустинг (GB) и экстремальный градиентный бустинг (XGBoost), продемонстрировали перспективность в повышении диагностической точности и устойчивости при работе с гетерогенными наборами данных21. Как недавно подробно отметили Habchi et al.25, область искусственного интеллекта (AI) в диагностике рака щитовидной железы стремительно расширилась, включив в себя визуальные конвертеры, большие языковые модели и гибридные архитектуры, что отражает развитие данной области в сторону создания все более сложных диагностических систем на основе анализа изображений.

В то время как признаки традиционного ультразвукового исследования были подробно изучены в сочетании с алгоритмами ИИ, комбинация параметров микрососудистого русла сверхвысокого разрешения с моделями ML остается в значительной степени неисследованной. Несмотря на многообещающий потенциал технологии SRUS и доказанную эффективность алгоритмов машинного обучения в медицинской визуализации, несколько критических вопросов остаются без ответа. Во-первых, какая архитектура машинного обучения — будь то традиционные алгоритмы, такие как RF и SVM, или передовые ансамблевые методы, такие как XGBoost и GB — работает оптимально при применении к микрососудистым признакам, полученным с помощью SRUS? Во-вторых, как эти модели соотносятся с точки зрения чувствительности, специфичности и общей диагностической точности при дифференциации доброкачественных и злокачественных узлов щитовидной железы? В-третьих, какие микрососудистые параметры, извлеченные из изображений SRUS, вносят наиболее значимый вклад в эффективность классификации? Ответы на эти вопросы необходимы для создания научно обоснованных принципов клинического внедрения диагностики узлов щитовидной железы с помощью SRUS.

Соответственно, данное исследование направлено на комплексную оценку эффективности пяти алгоритмов машинного обучения (RF, SVM, DT, XGBoost и GB) для классификации узлов щитовидной железы с использованием данных ультразвуковой микрососудистой визуализации сверхвысокого разрешения. Путем систематического сравнения этих подходов и выявления наиболее информативных микрососудистых биомаркеров данная работа стремится усовершенствовать диагностическую парадигму характеристики узлов щитовидной железы и дополнить растущую базу данных, подтверждающих клиническую полезность технологии SRUS в онкологической визуализации. Мы выдвинули гипотезу о том, что заранее определенный набор из 25 переменных признаков обеспечит дискриминацию между доброкачественными узлами и узлами, определенными как папиллярный рак щитовидной железы, на уровне выше случайного. Для уменьшения утечки информации использовалась кросс-валидация с группировкой по пациентам, а для описания того, как выбранный классификатор использовал измеренные переменные, был добавлен целенаправленный анализ SHAP. Оба вида анализа носили исследовательский характер.

Протокол

Дизайн исследования и популяция пациентов

В данном ретроспективном исследовании были проанализированы результаты ультразвукового исследования щитовидной железы, полученные в период с 13 июня 2024 г. по 13 января 2025 г. Протокол исследования был одобрен комитетом по этике больницы Дружбы в Пекине при Столичном медицинском университете (номер одобрения BFHHZS20240300) и проводился в соответствии с этическими принципами, изложенными в Хельсинкской декларации; получение информированного согласия было отменено в связи с ретроспективным дизайном исследования. Набор данных включал 68 узлов щитовидной железы у 63 пациентов (30 доброкачественных и 38 злокачественных), при этом единицей анализа являлся узел. Референтные диагнозы основывались на результатах тонкоигольной аспирационной цитологии (ТИАЦ) под контролем УЗИ. Группа злокачественных образований состояла из 38 узлов, по данным ТИАЦ идентифицированных как папиллярный рак щитовидной железы.

Критерии включения

Пациенты, подходящие для участия в исследовании, должны были соответствовать всем следующим критериям: (1) прохождение стандартного серошкального и допплеровского ультразвукового исследования с последующим проведением КУЗИ с удовлетворительным качеством изображения, позволяющим провести последующий анализ визуализации микрососудистого кровотока; (2) наличие цитопатологического диагноза PTC, подтвержденного тонкоигольной аспирационной биопсией, с сопутствующим положительным или отрицательным результатом теста на мутацию BRAFV600E; либо наличие цитологического результата Bethesda Category III (атипия неопределенного значения) при одновременном положительном результате теста на мутацию BRAFV600E; (3) наличие цитопатологического диагноза доброкачественных пролиферативных узлов, аденоматозных узлов или доброкачественных фолликулярных узлов категории Bethesda Category II без сопутствующего положительного результата теста на мутацию BRAFV600E.

Критерии исключения

Пациенты исключались из исследования при наличии любого из следующих условий: (1) низкое качество изображений при КУС-УЗИ или недостаточный сигнал от микропузырьков, препятствующий надежной оценке микрососудистого кровотока; (2) отсутствие результатов цитологического или патоморфологического исследований; (3) гистопатологический диагноз редкого или специального подтипа рака щитовидной железы (например, анапластических вариантов); (4) цитологические признаки, указывающие на фолликулярное новообразование (IV категория по Bethesda) или любое образование с неопределенным фолликулярным происхождением, независимо от мутационного статуса; (5) тиреоидит Хашимото

Сбор данных УЗИ, КУЗИ и SRUS

Все исследования проводились с использованием указанной системы ультразвукового исследования и линейного датчика. Пациенты находились в положении лежа на спине с разгибанием шеи. Целевой узел локализовали и измерили в B-режиме УЗИ; фиксировали наличие микрокальцинатов, после чего в той же плоскости сканирования, центрированной на образовании, оценивали интранодулярную васкуляризацию с помощью цветного доплеровского картирования.

После установления внутривенного доступа система была переведена в режим CEUS/URM с низким механическим индексом (URM означает визуализацию с помощью микроскопии сверхвысокого разрешения). CEUS проводили путем внутривенного болюсного введения 1.2 mL SonoVue с последующим немедленным промыванием 5ml физиологическим раствором; в момент введения болюса был запущен экранный таймер и начался непрерывный захват киноциклов. Датчик удерживали в фиксированной плоскости с минимальным давлением, а пациента просили не глотать во время фаз накопления и вымывания контраста.

Для количественного КУВУ с целью получения параметров время-интенсивности использовалась область интереса, ограниченная пределами очага. Для СРУЗ рабочий процесс URM локализовал и отслеживал сигналы микропузырьков после контроля движения, а также генерировал показатели соотношения сосудов, сложности, микрососудистой плотности, индекса перфузии и скорости кровотока. На экспортированных репрезентативных изображениях были указаны настройки: VSP 4, RES 2, CTR 3, SM 2, VEN 3 и CPT 10 s; соответствующие настройки для остальных исследований отсутствовали.

25 переменных входных данных модели перечислены в Таблице 1 и сгруппированы по методу получения данных: возраст и пол; микрокальцинаты в B-режиме; внутриузловая васкуляризация при цветовом доплеровском картировании; качественный CEUS; количественный CEUS и 11 показателей микроциркуляции при SRUS.

Отбор признаков

Все 25 количественных признаков были сохранены в моделях машинного обучения. Использовались только числовые признаки; имена пациентов, регистрационные номера и поля с размером очага были исключены. Отбор признаков на основе данных не проводился, и в каждый классификатор вводились одни и те же заранее определенные предикторы.

Стандартизация признаков

Перед перекрестной проверкой не применялись преобразования, импутация или глобальное масштабирование. Стандартизация применялась только к SVM с радиально-базисной функцией через конвейер StandardScaler. Масштабирование проводилось на обучающих узлах каждого фолда, а затем применялось к валидационным узлам этого фолда. Классификаторы на основе деревьев получали данные в исходном числовом масштабе:

Формула стандартизации \( z = \frac{x - \mu}{\sigma} \), статистический метод.

где x — исходное значение признака, µ — среднее значение по обучающей выборке, а σ — стандартное отклонение по обучающей выборке. Предварительная обработка по фолдам позволила исключить влияние валидационных наблюдений на параметры масштабирования SVM.

Разбиение данных

Первичная оценка эффективности проводилась с использованием пятикратной перекрестной проверки StratifiedGroupKFold с параметрами shuffle = True и random_state = 42. Идентификатор пациента определял 63 группы, при этом все узлы одного и того же пациента назначались в один и тот же фолд. Ни один пациент не предоставлял узлы одновременно для обучающей и валидационной выборок внутри одного фолда.

Обучение и валидация модели

Протокол обучения

Было оценено пять классификаторов: случайный лес (100 деревьев; random_state = 42), SVM с радиально-базисной функцией (C = 1.0; gamma = scale; probability = True; конвейер StandardScaler; random_state = 42), дерево решений (критерий Gini; неограниченная глубина; random_state = 42), XGBoost (100 итераций; learning_rate = 0.3; max_depth = 6; subsample = 1.0; colsample_bytree = 1.0; random_state = 42) и градиентный бустинг (100 итераций; learning_rate = 0.1; max_depth = 3; random_state = 42). Поиск по сетке, байесовская оптимизация, настройка порога или вложенный отбор моделей не проводились.

Кросс-валидация

В рамках пяти перекрестных выборок, сгруппированных по пациентам, модели обучались на остальных группах пациентов и оценивались на выделенных группах. Для каждой выборки рассчитывались точность (accuracy), чувствительность (sensitivity), специфичность (specificity), прецизионность (precision), F1-мера (F1-score) и ROC-AUC, которые затем суммировались как среднее значение ± SD. Предсказания вне выборки (OOF) были объединены по всем 68 узлам для построения одной кросс-валидированной ROC-кривой и одной матрицы ошибок для каждой модели.

Оценка эффективности

Метрики оценки

Эффективность модели оценивали в каждой группе валидационного фолда по пациентам, а также на основе объединенных OOF-предсказаний, используя следующие метрики:

Точность: Общая доля правильных прогнозов

Формула точности, ACC=(TP+TN)/(TP+TN+FP+FN), уравнение статистического измерения.

Чувствительность (полнота): доля истинно злокачественных узлов, которые были определены верно

Метод спектроскопии с уравнением SEN=; диаграмма поглощения-излучения; установка для оптических исследований.  Уравнение точности (TP/TP+FN) для анализа данных.

Специфичность: Доля истинно доброкачественных узлов, которые были определены верно

Формула специфичности: SPE = TN/(TN+FP), уравнение, статистический анализ, диагностическая эффективность.

Точность (положительная прогностическая ценность): доля предсказанных злокачественных случаев, которые действительно оказались злокачественными

Формула прогностической значимости положительного результата, расчет PPV, уравнение с истинно положительными (TP) и ложноположительными (FP) результатами.

F1-мера: Гармоническое среднее точности и полноты

Формула F1-меры F1=2(Precision×Recall)/(Precision+Recall), математическое уравнение.

Площадь под кривой рабочих характеристик приемника (ROC-AUC): показатель способности модели дифференцировать доброкачественные и злокачественные узлы при всех порогах классификации

где TP = истинно положительные результаты (правильно идентифицированные злокачественные узлы), TN = истинно отрицательные результаты (правильно идентифицированные доброкачественные узлы), FP = ложноположительные результаты (доброкачественные узлы, ошибочно классифицированные как злокачественные), и FN = ложноотрицательные результаты (злокачественные узлы, ошибочно классифицированные как доброкачественные).

Анализ матрицы ошибок

Матрицы ошибок OOF были сформированы путем объединения прогнозов, сделанных для каждого узла только в том фолде, в котором этот пациент был исключен. Таким образом, для каждого узла был получен прогноз от модели, обученной на узлах других пациентов.

Анализ значимости признаков

Для модели Random Forest показатели важности признаков рассчитывались на основе среднего снижения индекса Gini по всем решающим деревьям. Были определены и ранжированы 15 наиболее значимых признаков, чтобы установить, какие микрососудистые параметры в наибольшей степени повлияли на эффективность классификации.

Поисковый анализ SHAP

Для SVM был проведен сфокусированный OOF SHAP-анализ с использованием эксплейнера на основе перестановок. Для каждого исключенного узла в качестве фонового распределения использовались только соответствующие наблюдения из обучающей выборки (128 антитетических перестановок; случайное число seed = 20260716). Средние абсолютные значения SHAP обобщали величину вклада, а знаковые значения указывали на направление. Данный анализ носил исследовательский характер и не использовался для вывода о причинно-следственной связи, идентификации независимых биомаркеров или определения клинических пороговых значений.

Статистический анализ

Сравнительный анализ

Эффективность модели была обобщена с помощью дескриптивного анализа по пяти валидационным фолдам, сгруппированным по пациентам, а также на основе объединенных прогнозов OOF. Формальное гипотетическое тестирование между моделями или ранжирование на основе P-значений не проводилось, поскольку фолды взаимосвязаны, а когорта невелика.

Для сравнения исходных показателей групп нормальность распределения непрерывных переменных в каждой группе показателей оценивали с помощью критерия Шапиро-Уилка. Критерий Уэлча t тест применялся в случаях, когда данные в обеих группах соответствовали закону нормального распределения; в противном случае использовался двухсторонний U-критерий Манна-Уитни U использовался тест. Категориальные переменные оценивали с помощью критерия хи-квадрат Пирсона, а для разреженных таблиц 2 x 2 применяли точный критерий Фишера. Значения P были двусторонними, эксплораторными и не скорректированными (альфа = 0,05).

Воспроизводимость

Воспроизводимость была обеспечена за счет четкого определения группы пациентов, фиксированного значения генератора случайных чисел (42), фиксированных конфигураций классификатора и предварительной обработки данных по блокам (фолдам). Идентификаторы использовались только для группировки; они не вводились в качестве предикторов и не экспортировались вместе с результатами модели.

Результаты

Характеристики пациентов и исследуемая популяция

Всего было включено 68 узлов щитовидной железы от 63 пациентов, из которых 30 были доброкачественными узлами и 38 — папиллярными раками щитовидной железы (PTC). Аналитической единицей являлся узел; группировка по пациентам позволила избежать попадания узлов одного и того же пациента одновременно в обучающую и валидационную выборки. Исходные характеристики обобщены в Таблице 2.

Рисунок 1 демонстрирует технически успешные реконструкции SRUS/URM с ограничением по области поражения для репрезентативного доброкачественного узла и узла, определенного как PTC по результатам ТАБ под контролем УЗИ. На обоих примерах показаны контуры поражения, реконструированная микрососудистая карта и количественный слой, сгенерированный устройством. Данные примеры демонстрируют успешный сбор данных и реконструкцию для обоих эталонных классов, но сами по себе не устанавливают диагностическое разделение или эффективность модели.

Пять классификаторов были оценены с использованием пятикратной перекрестной проверки с группировкой по пациентам на наборе данных из 68 узлов. Показатели эффективности представлены в виде среднего значения ± SD по фолдам и объединенных значений OOF в Таблице 3. На Рисунке 2, Рисунке 3 и Рисунке 4 показаны OOF ROC-кривые, сводные данные метрик по сгруппированным фолдам и OOF-матрицы ошибок.

Рисунок 4 представляет объединенные матрицы путаницы OOF, в которых каждый узел предсказывался только моделью, обученной без узлов этого же пациента. SVM правильно классифицировал 32 из 38 злокачественных узлов (чувствительность 0,842), но ошибочно классифицировал 15 из 30 доброкачественных узлов как злокачественные (специфичность 0,500). Дерево решений имело наибольшее количество ложноотрицательных и ложноположительных классификаций. Эти закономерности демонстрируют, почему одной только точности недостаточно, и иллюстрируют как успешные, так и субоптимальные результаты.

При проведении целенаправленного анализа SHAP на OOF-выборке (Рисунок 5 и Таблица 4) наибольший вклад в вероятность злокачественности по модели SVM внесли микрокальцинаты и увеличение размеров после введения контрастного вещества, за которыми следовали однородность усиления и пол. Эти результаты описывают, как обученная модель SVM использовала измеренные переменные в данной когорте, и не устанавливают независимую клиническую значимость.

Заявление о доступности данных

Данные, лежащие в основе этой статьи, будут предоставлены по обоснованному запросу автору, ответственному за переписку.

Ультразвуковые изображения доброкачественного узла и папиллярного рака щитовидной железы с анализом плотности и сосудистого коэффициента.
Рисунок 1. Репрезентативные изображения SRUS/URM, ограниченные областью поражения. (A) Доброкачественный узел щитовидной железы. (B) Папиллярный рак щитовидной железы по результатам ТАБ под контролем УЗИ. На каждой панели показаны контуры поражения и соответствующая микрососудистая реконструкция с количественным наложением, созданным устройством. Примеры иллюстрируют успешный сбор данных и реконструкцию и не используются для оценки диагностической точности. Сокращения: SRUS = ультразвук сверхвысокого разрешения; URM = микроскопическая визуализация сверхвысокого разрешения; FNAC = тонкоигольная аспирационная цитология. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

ROC-кривая, сравнивающая частоту истинно-положительных и ложноположительных результатов; график эффективности алгоритмов машинного обучения.
Рисунок 2. ROC-кривые OOF с группировкой по пациентам для пяти классификаторов. Каждая кривая обобщает одно отделенное предсказание на один узел; пунктирная диагональ указывает на случайное разграничение. Сокращения: 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. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Графики эффективности модели машинного обучения: точность, чувствительность, специфичность, прецизионность, F1, ROC-AUC.
Рисунок 3. Среднее значение ± SD точности, чувствительности, специфичности, прецизионности, F1-меры и ROC-AUC для пяти валидационных выборок, сгруппированных по пациентам. Сокращения: SD = стандартное отклонение; ROC-AUC = площадь под кривой рабочей характеристики приемника. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Сравнение матриц ошибок в моделях машинного обучения: случайный лес, SVM, дерево решений, XGBoost.
Рисунок 4. Матрицы ошибок OOF с группировкой по пациентам.Строки представляют эталонный класс, а столбцы — прогнозируемый класс. Класс каждого узла определялся моделью, обученной без использования каких-либо узлов того же пациента. Сокращение: OOF = Out-of-fold (вне выборки). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Столбчатая диаграмма и диаграмма рассеяния значений SHAP для анализа SVM; глобальная значимость, индивидуальные объяснения.
Рисунок 5. OOF-анализ SHAP для SVM с использованием эксплейнера на основе перестановок. (A) Ранжирование десяти наибольших средних абсолютных значений SHAP. (B) Значения SHAP со знаком для тех же переменных по 68 прогнозам на отложенной выборке. Сокращения: OOF = Out-of-fold; SHAP = SHapley Additive exPlanations; SVM = метод опорных векторов; MVD = микрососудистая плотность. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Источник получения данныхПредикторыРабота с моделью
Демографические данныеВозраст; полЧисловые переменные рабочего листа; обе сохранены в качестве предварительно заданных входных данных модели.
Ультразвуковое исследование в B-режимеМикрокальцинозЧисловая переменная рабочего листа; без глобального масштабирования.
Цветовое допплеровское картированиеИнтранодулярная васкуляризация (кровоток)Классифицируется как предиктор цветового доплеровского картирования, а не B-режима.
Качественный КУВЭ (контрастно-усиленный ультразвуковой анализ)Увеличение после введения контраста; характер накопления контрастного вещества; гомогенность накопления контрастного веществаЧисловые переменные рабочего листа; сохранены в качестве заранее заданных входных данных.
Количественный КУЗП (контрастно-усиленное ультразвуковое исследование)AUC, пиковая интенсивность, время достижения пика, время прибытия, время нарастания, среднее время транзита, время достижения половины пиковой интенсивностиСемь переменных кривой зависимости интенсивности от времени; без импутации или глобального масштабирования.
микрососудистая SRUSКоэффициент сосудов, сложность, MVD (максимум/минимум/среднее/SD), индекс перфузии, скорость кровотока (максимум/минимум/среднее/SD)Одиннадцать микрососудистых переменных; предварительный отбор признаков не проводился.

Таблица 1: Количественные переменные и предварительная обработка. 25 заранее определенных предикторов сгруппированы по источнику получения данных: возраст и пол; микрокальцинаты в B-режиме; внутриузловая васкуляризация при цветовом допплеровском картировании; качественные и количественные измерения при КУС; и измерения микрососудов при SRUS. Поля с именами, идентификационными номерами и размером образования были исключены. В матрице из 25 переменных отсутствующие значения не обнаружены. Идентификационные данные пациентов использовались только для группировки. StandardScaler применялся только внутри тренировочных выборок SVM. Сокращения: CEUS = контрастно-усиленный ультразвуковой метод (КУС); SRUS = ультразвук сверхвысокого разрешения; SVM = метод опорных векторов.

Источник получения данныхХарактеристикаДоброкачественные узлыЗлокачественные узлыЗначение P
(n = 30)(n = 38)
Демографические данныеВозраст, лет48 (42, 55)48 (41, 52)0.551
Демографические данныеПол, n (%)0.012
Демографические данные  Женский26 (86.7%)27 (71.1%)
Демографические данные  Мужской4 (13.3%)11 (28.9%)
УЗИ в B-режиме
УЗИ в B-режимеМикрокальцинаты, n (%)0.001
УЗИ в B-режиме  Отсутствуют12 (40.0%)2 (5.3%)
УЗИ в B-режиме  Присутствуют18 (60.0%)36 (94.7%)
ЦДККровоток, n (%)0.1
ЦДК  Отсутствует7 (23.3%)8 (21.1%)
ЦДК  Присутствует23 (76.7%)30 (78.9%)
Качественный КУСПостконтрастное увеличение, n (%)0.001
Качественный КУС  Нет16 (53.3%)5 (13.2%)
Качественный КУС  Да14 (46.7%)33 (86.8%)
Качественный КУСГомогенность усиления, n(%)0.087
Качественный КУС  Гетерогенное11 (36.7%)23 (60.5%)
Качественный КУС  Гомогенное19 (63.3%)15 (39.5%)
Качественный КУСХарактер усиления, n (%)
Качественный КУС  Гипоусиление18 (60.0%)20 (52.6%)
Качественный КУС  Изоусиление3 (10.0%)0 (0.0%)
Качественный КУС  Гиперусиление9 (30.0%)18 (47.4%)
Количественный КУС
Количественный КУСПлощадь под кривой (AUC), dB·s3255.49 (2457.15, 4048.94)3620.76 (3096.36, 4066.75)0.201
Количественный КУСПиковая интенсивность (PI), dB48.93 (40.93, 55.78)50.22 (42.49, 56.82)0.621
Количественный КУСВремя до пика (TTP), s17.78 (16.47, 19.30)20.42 (17.53, 23.47)0.045
Количественный КУСВремя прибытия (AT), s9.88 (8.23, 11.53)9.88 (8.64, 11.53)0.1
Количественный КУСВремя нарастания (RT), s8.43 (6.92, 9.55)9.55 (7.00, 12.11)0.164
Количественный КУССреднее время транзита (MTT), s69.38 (60.17, 87.84)82.82 (64.22, 99.15)0.102
Количественный КУСВремя до половины пиковой интенсивности (THP), s81.62 (70.53, 99.93)95.34 (73.60, 109.44)0.157
Микрососудистый SRUS
Микрососудистый SRUSСосудистый коэффициент, %56.29 (43.34, 71.44)57.81 (41.49, 70.24)0.772
Микрососудистый SRUSУровень сложности1.68 (1.59, 1.73)1.62 (1.57, 1.69)0.083
Микрососудистый SRUSПлотность микрососудов — максимум15.24 (10.59, 17.88)13.28 (9.60, 15.92)0.142
Микрососудистый SRUSПлотность микрососудов — минимум0.07 (0.05, 0.07)0.06 (0.04, 0.07)0.385
Микрососудистый SRUSПлотность микрососудов — средняя6.20 (3.46, 7.45)4.71 (3.74, 6.78)0.161
Микрососудистый SRUSПлотность микрососудов — SD3.15 (2.12, 3.64)2.56 (1.94, 3.04)0.085
Микрососудистый SRUSИндекс перфузии6.81 (4.53, 9.05)7.12 (4.52, 9.90)0.666
Микрососудистый SRUSМаксимальная скорость потока, mm/s25.13 (22.24, 26.43)26.32 (23.86, 28.00)0.152

Таблица 2: Исходные характеристики 30 доброкачественных и 38 злокачественных узлов щитовидной железы. Исходные демографические и визизуализационные характеристики доброкачественных (n = 30) и злокачественных (n = 38) узлов. Значения представлены как n (%) или медиана (межквартильный размах). Контрольные метки были присвоены на основании ТАБ под контролем УЗИ; данные послеоперационной гистопатологии отсутствовали. Сокращения: EUS = контрастно-усиленное ультразвуковое исследование; SRUS = ультразвуковое исследование сверхвысокого разрешения.

КлассификаторТочностьЧувствительностьСпецифичностьТочностьF-мераROC-AUC (площадь под ROC-кривой)
Случайный лесВалидация методом StratifiedGroupKFold0.548 ± 0.1760.573 ± 0.2970.572 ± 0.1050.603 ± 0.1390.555 ± 0.2040.633 ± 0.137
объединенные OOF (out-of-fold) прогнозы 0.5590.5530.5670.6180.5830.579
Метод опорных векторов (SVM)Валидация StratifiedGroupKFold0.686 ± 0.1200.850 ± 0.1800.495 ± 0.2040.678 ± 0.1540.740 ± 0.1180.690 ± 0.164
объединенные OOF (out-of-fold) прогнозы 0.6910.8420.50.6810.7530.655
Дерево решенийВалидация методом StratifiedGroupKFold0.429 ± 0.0730.492 ± 0.2290.402 ± 0.2470.514 ± 0.1690.468 ± 0.1170.447 ± 0.073
объединенный OOF (out-of-fold) 0.4260.4740.3670.4860.480.42
XGBoostВалидация методом StratifiedGroupKFold0.541 ± 0.1510.494 ± 0.1970.595 ± 0.1370.587 ± 0.2280.530 ± 0.2020.571 ± 0.163
объединенные OOF-предсказания (out-of-fold) 0.5440.50.60.6130.5510.594
Градиентный бустингВалидация методом StratifiedGroupKFold0.544 ± 0.0990.500 ± 0.0910.550 ± 0.2130.624 ± 0.0870.546 ± 0.0530.579 ± 0.124
объединенные OOF (вневыборочные прогнозы) 0.5440.50.60.6130.5510.555

Таблица 3: Результативность пятикратной перекрестной проверки с группировкой по пациентам и суммарная результативность OOF. Все узлы одного и того же пациента были отнесены к одной группе (фолду). Значения представляют собой среднее ± SD по пяти стратифицированным группам кросс-валидации StratifiedGroupKFold. 68 узлов были отобраны из групп 63 пациентов; в каждом фолде исключалось от 5 до 12 узлов из 12–13 групп пациентов. Каждое суммарное значение OOF основано на одном прогнозе для каждого узла, сделанном в валидационном фолде, в котором были исключены все узлы этого пациента. На рисунке 3 представлены соответствующие суммарные матрицы ошибок OOF. Сокращения: OOF = out-of-fold (вне выборки); SVM = метод опорных векторов.

РангОсобенностьСреднее |SHAP|Кратность стандартного отклонения среднего |SHAP|
1Микрокальциноз0.03570.023
2Постконтрастное усиление0.03310.0165
3Гомогенность усиления0.02070.008
4Пол0.01940.0109
5СО скорости потока0.01590.01
6Среднее значение MVD0.01240.0086
7Среднее время транзита0.01180.0069
8Минимальная скорость потока0.01070.0061
9Характер усиления0.01030.0112
10МВД СД0.01020.0077

Таблица 4: Глобальный рейтинг признаков SHAP OOF для SVM. Значения SHAP количественно определяют вклад в вероятность злокачественности SVM. Каждый узел был объяснен один раз в своем выделенном валидационном наборе с группировкой по пациентам. Глобальные значения представляют собой средние абсолютные значения SHAP по 68 объяснениям OOF; SD фолда — это стандартное отклонение средних абсолютных значений для конкретного фолда по пяти фолдам. Рейтинги являются специфичными для модели исследовательской сводкой и не представляют собой причинно-следственные эффекты, независимые биомаркеры или клинические пороги. Сокращения: OOF = out-of-fold (вне выборки); SVM = машина опорных векторов; MVD = микрососудистая плотность; SHAP = SHapley Additive exPlanations (аддитивные объяснения Шепли).

Обсуждение

Современные диагностические подходы к узлам щитовидной железы опираются преимущественно на традиционное ультразвуковое исследование, которое по своей сути остается зависимым от оператора и подверженным межнаблюдательной вариабельности5, а также не позволяет визуализировать микрососудистое русло ниже дифракционного предела. Насколько нам известно, наше исследование является первой комплексной оценкой нескольких алгоритмов машинного обучения, примененных к данным микрососудистой визуализации методом ультразвука сверхвысокого разрешения (SRUS), что позволило в исследовательских условиях провести объективную количественную оценку риска развития ПРЩ в узлах щитовидной железы.

Основным вкладом данного исследования является аналитическая модель на уровне пациента, которая объединяет измерения SRUS с использованием контрастных микропузырьков на основе локализации с ультразвуковым исследованием в B-режиме, цветовым допплерографированием, качественным и количественным CEUS, а также клиническими переменными для классификации узлов щитовидной железы. Новизна заключается во включении экспериментально измеренной информации о микроциркуляторном русле в заранее определенный мультимодальный набор из 25 признаков и его оценке с использованием группировки пациентов, устойчивой к утечке данных, а не в создании новой архитектуры классификатора. Все узлы одного и того же пациента были объединены в одну группу (фолд); масштабирование SVM проводилось только для каждой обучающей группы; а оценка модели осуществлялась с помощью пятикратной валидации с группировкой пациентов, объединением прогнозов OOF и направленного OOF-анализа SHAP. В рамках данной модели SVM продемонстрировал самую высокую среднюю точность (0.686 ± 0.120) и среднее значение ROC-AUC (0.690 ± 0.164), однако общая специфика OOF составила всего 0.50, а эффективность варьировалась в зависимости от группы. В совокупности эти результаты определяют воспроизводимый подход к оценке комбинированных данных о микроциркуляции и традиционных ультразвуковых данных на уровне пациента, одновременно указывая на области, требующие дальнейшей доработки перед внедрением в клиническую практику.

Предыдущие исследования щитовидной железы подтвердили возможность применения SRUS с контрастными микропузырьками и выявили групповые различия в микрососудистом кровотоке в пилотной когорте из 24 узлов26. Наше исследование расширяет данное подтверждение возможности визуализации в трех конкретных аспектах. Во-первых, показатели плотности сосудов, скорости кровотока и перфузии, полученные с помощью SRUS, анализировались совместно с данными о микрокальцинатах в B-режиме, интранодулярной васкуляризации по цветовому допплеровскому картированию, качественным и количественным CEUS, а также возрастом и полом, а не в виде изолированного сравнения SRUS. Во-вторых, на всех этапах предобработки и валидации единицей разделения был пациент, что предотвратило попадание узлов одного и того же пациента одновременно в обучающую и валидационную выборки. В-третьих, та же структура группировки по пациентам позволила связать эффективность модели с объединенными прогнозами OOF и направленным анализом OOF SHAP. В совокупности эти элементы объединяют сбор данных, количественную характеристику микроциркуляции, оценку и интерпретацию модели в единый воспроизводимый рабочий процесс, создавая фундамент для будущих исследований.

Нами был выявлен ряд недавних исследований по применению ИИ и глубокого обучения для диагностики злокачественных узлов щитовидной железы. Полезно будет разграничить наш подход и эти методы. Feng et al. разработали многоцентровую мультимодальную модель для предоперационной стратификации риска папиллярного рака щитовидной железы27, в то время как Gatta et al. синтезировали внешне валидированные модели машинного обучения для дифференциальной диагностики доброкачественных и злокачественных образований на основе обычных ультразвуковых изображений щитовидной железы28. Li et al. применили вычислительный метод сверхразрешения одного изображения к стандартному УЗИ для локализации узла29, а He et al. использовали радиомику B-режима, улучшенную с помощью GAN, для прогнозирования недостоверного результата ТАБ (Bethesda I)30. Подходы с учетом геометрии, трансферное обучение и методы на основе Transformer дополнительно иллюстрируют алгоритмическое разнообразие исследований в области УЗИ щитовидной железы31. В этих работах используются обычные ультразвуковые изображения, мультимодальные клинические или визуализационные переменные, либо вычислительно улучшенные представления изображений; они не локализуют введенные контрастные микропузырьки и не количественно определяют микрососудистую плотность и кровоток на уровне поражения. Habchi et al. применили фреймворк трансферного обучения на базе VGG19 к обычным ультразвуковым изображениям щитовидной железы и сообщили о высокой точности классификации на общедоступном наборе данных32. Хотя их работа продемонстрировала потенциал глубокого обучения в этой области, она опиралась исключительно на признаки изображений в B-режиме.

Для сравнения, особый вклад данной работы заключается в использовании SRUS на основе локализации для получения экспериментально измеренных микрососудистых переменных, их интеграции с признаками обычной ультразвуковой диагностики и КУЗ, а также в их оценке по группам пациентов. Приведенные исследования остаются взаимодополняющими, а не прямыми сравнительными показателями эффективности, поскольку их входные данные, конечные точки, эталонные стандарты и планы валидации различаются; мы рассматриваем эту взаимодополняемость как преимущество, так как она указывает на наличие нескольких независимых путей к улучшению стратификации рисков. Примечательно, что наши результаты также дополняют подходы на основе глубокого обучения, такие как разработанный Habchi et al. фреймворк Bandelet Transform с учетом геометрии31 и контрольные показатели трансферного обучения Xu et al., которые сосредоточены на классификации обычных B-режимных изображений, а не на количественных гемодинамических биомаркерах33 — это фундаментально разные модальности входных данных, которые фиксируют различные аспекты биологии опухоли.

Наши результаты указывают на значительные различия в эффективности пяти оцениваемых классификаторов. SVM показал наилучшие результаты по средней точности (0.686 ± 0.120) и ROC-AUC (0.690 ± 0.164), а также имел наименьшее стандартное отклонение при кросс-валидации, что свидетельствует о его стабильной работе на задачах с малым объемом выборки. Объединенная OOF-валидация дополнительно подтвердила, что чувствительность SVM составила 84.2% (32 из 38 злокачественных узлов были идентифицированы верно), а показатель F1 составил 0.753, что является самым высоким значением среди всех моделей. Столь высокая способность к обнаружению представляет значительную ценность в клинической практике, так как пропуск диагноза может привести к серьезным последствиям. Однако специфичность составила всего 50.0% (15 из 30 доброкачественных узлов были классифицированы неверно), что требует осторожной интерпретации. Такая умеренная специфичность, вероятно, отражает многомерную природу нашего набора данных (25 предикторов против 30 доброкачественных образцов). В таком разреженном пространстве признаков на решающую границу SVM непропорционально сильно влияют несколько доброкачественных узлов с микрососудистыми характеристиками, напоминающими злокачественные, что заставляет классификатор применять консервативную стратегию — помечать неоднозначные случаи как злокачественные — для минимизации ложноотрицательных результатов. С клинической точки зрения такой компромисс приемлем в сценариях скрининга, так как последствия пропуска диагностики PTC могут быть гораздо серьезнее, чем последствия проведения излишней ТАБ. В будущих исследованиях целесообразно уделить приоритетное внимание увеличению когорты образцов, особенно за счет добавления большего количества доброкачественных проб, а также повторно рассмотреть методы стоимостного обучения или снижения размерности, чтобы сохранить чувствительность при одновременном повышении специфичности.

RF демонстрирует среднюю точность (0,548 ± 0,176), которая ниже, чем у SVM. Однако RF показал сбалансированные совокупные показатели OOF (точность 5,9%, чувствительность 55,3%, специфичность 56,7%), что представляет ценность для систем поддержки принятия клинических решений. Оценка значимости переменных на основе индекса примеси (impurity-based importance) определила средний MVD, среднюю скорость кровотока и индекс перфузии в числе ведущих переменных, что указывает на значимый сигнал SRUS. XGBoost и градиентный бустинг показали промежуточные результаты; ни один из них не превзошел RF, что, вероятно, связано с чувствительностью к гиперпараметрам при ограниченном размере выборки (n = 68) и консервативной регуляризации. DT показал плохие результаты (точность 0,429, ROC-AUC 0,447), приближаясь к случайному угадыванию, что было ожидаемо ввиду переобучения одиночного дерева. Таким образом, SVM предпочтителен, когда приоритетом является максимизация чувствительности, в то время как RF обладает преимуществами с точки зрения сбалансированности показателей и интерпретируемости; оба метода требуют дальнейшего изучения.

Целевой анализ SHAP определил микрокальцификаты, увеличение после введения контраста и однородность усиления в качестве трех основных прогностических факторов, за которыми следуют пол и параметры SRUS, включая стандартное отклонение скорости кровотока, среднюю MVD и среднее время прохождения. Традиционные признаки доминируют, однако параметры SRUS предоставляют независимую дополнительную информацию. Значимость индикаторов SRUS согласуется с их физическими преимуществами. SRUS позволяет достичь разрешения ~10 µm, в то время как разрешение традиционного доплера ограничено ~20–30µm. Zhang et al. подтвердили, что злокачественные узлы характеризуются более низкой скоростью кровотока (9.86 vs.16.76 mm/s, p < 0.01) и MVD19, что отражает фиброзную и лимфатически-доминантную биологию PTC. Наши результаты SHAP биологически обоснованы, а соответствие критериям TI-RADS подтверждает клинически значимое обучение паттернам8.

Точная стратификация рисков имеет важное значение для ухода за пациентами и принятия клинических решений. Если узлы высокого риска можно будет выявить с помощью ML-анализа изображений SRUS, пациенты смогут своевременно проходить FNAC, что позволит снизить уровень тревожности и предотвратить прогрессирование рака. При этом отдельные узлы низкого риска могут подвергаться ультразвуковому мониторингу. Количественные измерения микрососудистого русла со временем могут дополнить традиционные методы наблюдения в этом процессе. Однако в данном исследовании не проверялось, улучшает ли результат работы классификатора эффективность работы врачей, сокращает ли количество ненужных процедур FNAC или изменяет ли исходы для пациентов. Следовательно, результаты модели пока не должны служить руководством при принятии клинических решений. Скорее их следует рассматривать как исследовательские инструменты, которые демонстрируют доказательство концепции и создают основу для проспективной оценки. При анализе все узлы одного пациента должны оставаться в одном и том же фолде, а предварительная обработка данных должна быть настроена с использованием только тренировочной части этого фолда.

Следует учитывать несколько ограничений. Во-первых, данное исследование было ретроспективным, одноцентровым и охватывало 68 узлов от 63 пациентов без внешней валидации; небольшой размер выборки может повысить риск переобучения модели. Тем не менее, кросс-валидация с группировкой по пациентам дает определенную уверенность в результатах. Во-вторых, все эталонные метки были получены на основе ТАБ под контролем УЗИ, а не послеоперационной гистопатологии. ТАБ предоставляет цитологические данные, но не эквивалентна послеоперационному гистологическому подтверждению и может привести к ошибкам классификации, особенно среди узлов, обозначенных как доброкачественные, несмотря на то, что мы ограничили круг доброкачественных узлов и провели тестирование всех узлов на мутацию гена BRAFV60E. В-третьих, группа злокачественных новообразований была ограничена узлами, классифицированными как ПРК по данным ТАБ, что ограничивает возможность распространения результатов на другие злокачественные опухоли щитовидной железы. В-четвертых, дополнительные клинические факторы (функция щитовидной железы, семейный анамнез) не фиксировались систематически. Наконец, не проводились систематическая оптимизация гиперпараметров, калибровочный анализ или независимое сравнение с методами глубокого обучения на основе изображений. Несмотря на эти ограничения, соответствие наших выводов биологической правдоподобности и существующей литературе подтверждает их достоверность. Будущие исследования должны быть сосредоточены на следующем: (1) проспективной многоцентровой валидации на более крупных когортах с послеоперационной гистопатологией; (2) мультимодальном слиянии, интегрирующем SRUS с эластографией и традиционным УЗИ; (3) сывороточных биомаркерах, стандартизированных протоколах сбора данных и критериях контроля качества34, а также оптимизации проектирования признаков.

В заключение, данное исследование демонстрирует возможность применения стандартных алгоритмов машинного обучения для количественных микрососудистых измерений с помощью SRUS в целях вспомогательной эксплораторной классификации узлов щитовидной железы. SVM продемонстрировал высокую чувствительность, но ограниченную специфичность, что подтверждает его потенциальную роль в качестве средства скрининга, а не полноценной замены диагностике. Несмотря на предварительный характер, наши результаты позволяют создать воспроизводимый, устойчивый к утечке данных конвейер оценки и обосновывают необходимость проспективной валидации на более крупных когортах.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы благодарят сотрудников отделения ультразвуковой диагностики Пекинской больницы дружбы Столичного медицинского университета за помощь в сборе данных пациентов.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Классификатор Decision Treescikit-learnVersion 1.5.2Классификатор машинного обучения
Игла для тонкоигольной аспирационной биопсииИспользуется для ТИАБ под контролем УЗИ
Классификатор Gradient Boostingscikit-learnVersion 1.5.2Классификатор машинного обучения
Внутривенный катетерИспользуется для введения контрастного вещества
PythonPython Software FoundationVersion 3.1.9Язык программирования, используемый для анализа методами машинного обучения
Классификатор Random Forestscikit-learnVersion 1.5.2Классификатор машинного обучения
SHAP (permutation explainer)SHAP DevelopersVersion 0.46.0Анализ интерпретируемости модели
Контрастное вещество SonoVueBraccoУльтразвуковой контрастный агент для КУВС/СРУС визуализации
StandardScalerscikit-learnVersion 1.5.2Стандартизация признаков для конвейера SVM
Стерильный физиологический растворИспользуется для внутривенного промывания после инъекции контрастного вещества
StratifiedGroupKFoldscikit-learnVersion 1.5.2Кросс-валидация с группировкой по пациентам
Классификатор Support Vector Machine (SVM)scikit-learnVersion 1.5.2Классификатор с радиально-базисной функцией ядра
Линейный датчик U5-15LEVINNO TechnologyU5-15LEЛинейный ультразвуковой датчик
Ультразвуковая система ULTIMUS 9EVINNO TechnologyULTIMUS 9EСистема ультразвуковой визуализации, используемая для B-режима, цветного допплеровского картирования, КУВС и СРУС визуализации
XGBoostXGBoost DevelopersVersion 2.1.1Фреймворк градиентного бустинга

Ссылки

  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.

Перепечатки и разрешения

Теги

SHAP
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.