Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Tiroid Nodüllerinin Makine Öğrenimi Tabanlı Sınıflandırılması için Kantitatif Süper Çözünürlüklü Ultrason Mikrovasküler Özellikleri

211 görüntülenme

⸱

11 Eylül 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

Bu makalede

Özet

Bu çalışma, süper-çözünürlüklü ultrason özelliklerini kullanarak tiroid nodül sınıflandırması için beş makine öğrenimi algoritmasını karşılaştırmıştır. SVM en iyi performansı göstermiş (doğruluk %68,6, Eğri Altındaki Alan 0,690) ve mikrokalsifikasyon ile kontrast sonrası genişlemeyi temel katkıda bulunanlar olarak belirlemiştir; ancak bulguların klinik kullanım öncesinde harici doğrulamaya ihtiyacı vardır.

Özet

Bu çalışma, konvansiyonel ultrason, kontrastla güçlendirilmiş ultrason (CEUS) ve süper-çözünürlüklü ultrasonla (SRUS) elde edilen kantitatif özellikler kullanılarak tiroid nodüllerini sınıflandırmak için beş makine öğrenimi algoritmasını —Random Forest (RF), Support Vector Machine (SVM), Decision Tree (DT), eXtreme Gradient Boosting (XGBoost) ve Gradient Boosting (GB)— karşılaştırmıştır. Retrospektif çalışma, 63 hastadan 68 tiroid nodülünü (30 benign ve 38 papiller tiroid karsinomu [PTC] olarak doğrulanmış) kapsamış ve aynı hastadan gelen tüm nodüllerin aynı katmana atandığından emin olmak için beş katlı hasta-gruplandırılmış çapraz doğrulama yoluyla 25 kantitatif özellik kullanılarak analiz edilmiştir. Model performansı, katmanlar genelinde ve havuzlanmış katman dışı (OOF) tahminlerden özetlenmiş ve en iyi performans gösteren SVM için permütasyon tabanlı bir açıklayıcı kullanılarak odaklanmış bir OOF SHapley Additive exPlanations (SHAP) analizi gerçekleştirilmiştir. SVM, en yüksek ortalama doğruluk (0.686 ± 0.120) ve ortalama Alıcı İşletim Karakteristiği-Eğri Altındaki Alan (ROC-AUC) (0.690 ± 0.164) değerlerine ulaşırken, havuzlanmış OOF duyarlılığı 0.842 ve özgüllüğü 0.500 olarak belirlenmiştir; mikrokalsifikasyon ve kontrast sonrası genişleme ise modele özgü en önemli SHAP katkıları olarak tanımlanmıştır. RF dengeli bir performans sunarken (doğruluk %55,9, duyarlılık %55,3, özgüllük %56,7), DT ise rastgele tahmine yaklaşan düşük bir performans sergilemiştir (doğruluk 0.429, ROC-AUC 0.447). Çalışma, kantitatif SRUS ölçümlerinin konvansiyonel sınıflandırıcılara entegre edilebileceğini göstermiştir; ancak bulgular keşifsel niteliktedir ve klinik uygulama öncesinde daha geniş kohortlarla prospektif, çok merkezli doğrulamaya ihtiyaç duyulmaktadır.

Giriş

Tiroid nodülleri, asemptomatik popülasyonlarda ultrason incelemesiyle yapıldığında tespit oranlarının %68'e yaklaştığı, oldukça yaygın bir klinik bulgudur1. Güncel meta-analizler, tiroid nodüllerinin küresel prevalansının 2000-2011 yılları arasındaki %21,53'ten 2012-2022 yılları arasında %29,29'a yükseldiğini ve genel popülasyonda yaklaşık her dört kişiden birini etkilediğini ortaya koymuştur2,3. Bu nodüllerin %7-15'ine nihayetinde tiroid kanseri tanısı konulmakta olup, papiller tiroid karsinomu (PTC) baskın alt tipi temsil etmektedir4,5. PTC, tüm tiroid malignitelerinin %80-90'ını oluşturmaktadır ve insidans oranlarının 1975 ile 2012 yılları arasında 100.000'de 4,8'den 14,9'a yükselmesiyle en hızlı büyüyen kanser türlerinden biri haline gelmiştir6.

Konvansiyonel ultrason, non-invaziv, maliyet etkin ve yaygın olarak erişilebilir bir tanı yöntemi sunarak tiroid nodül değerlendirmesinde temel taş olmaya devam etmektedir7. Maligniteyi düşündüren geleneksel sonografik özellikler arasında belirgin hipo-ekojenite, düzensiz kenarlar, mikrokalsifikasyonlar ve genişliğinden daha yüksek olan şekil yer almaktadır8,9. Ancak, uzamsal çözünürlüğü yaklaşık 100 mikrometre ile sınırlayan akustik difraksiyon bariyeri nedeniyle temel bir kısıtlılığa sahiptir10. Bu sınırlama, benign ve malign tiroid lezyonlarını birbirinden ayırmak için kritik parametreler olan mikrovasküler yapının görüntülenme ve ince vasküler morfolojinin değerlendirilme yeteneğini önemli ölçüde kısıtlamaktadır11. Renkli Doppler akım görüntüleme (CDFI) ve kontrastla güçlendirilmiş ultrason (CEUS), kan akımı tespitini iyileştirse de, yalnızca akım hızları 1 cm/s üzerindeki damarları görüntüleyebilmekte ve difraksiyonla sınırlı çözünürlükle kısıtlı kalmaktadır12,13.

Dönüştürücü bir teknoloji olan süper çözünürlüklü ultrason (SRUS), geleneksel ultrason sistemlerinin geleneksel difraksiyon limitini aşar14,15. Lokalizasyon ve izleme için nokta hedefler olarak kontrast mikrobaloncuklardan yararlanan SRUS, mikron ölçeğinde uzaysal çözünürlük sağlayarak mikrovaskülatürün benzeri görülmemiş bir ayrıntı düzeyinde görselleştirilmesini ve kantifikasyonunu mümkün kılar16,17. Bu teknik, hem mikrovasküler yoğunluğu (MVD) hem de mikrovasküler akış hızını (MFR) ölçebilir ve non-invaziv görüntüleme ile elde edilmesi kesinlikle imkansız olan yapısal ve fonksiyonel değerlendirmeler sunar17,18. Pilot çalışmalar, benign tiroid nodüllerinin, sırasıyla 16.76 ± 6.82 mm/s'ye karşı 9.86 ± 4.54 mm/s ortalama değerlerle, malign nodüllere göre anlamlı derecede daha yüksek MFR sergilediğini göstermiştir19. SRUS görüntülerinden kantitatif özelliklerin yüksek verimlilikle çıkarılması olan "ultrason mikrovaskülomik" kavramının tanıtılması, hassas ve kişiselleştirilmiş mikrovasküler değerlendirme potansiyelini daha da artırmaktadır.

Makine öğrenimi (ML), özellikle tiroid nodülü karakterizasyonunda tıbbi görüntü analizinde devrim yaratmıştır20,21. Derin öğrenme modelleri, özellikle evrişimli sinir ağları (CNN'ler), önceki çalışmalarda 0,90'ı aşan Alıcı İşletim Karakteristiği-Eğri Altında Kalan Alan (ROC-AUC) değerleri elde etmiştir22,23,24. Random Forest (RF), Destek Vektör Makineleri (SVM), Karar Ağaçları (DT), Gradient Boosting (GB) ve eXtreme Gradient Boosting (XGBoost) dahil olmak üzere birden fazla algoritmayı birleştiren topluluk makine öğrenimi yaklaşımları, heterojen veri kümelerinde tanısal doğruluğu ve sağlamlığı artırmada gelecek vaat etmektedir21. Habchi ve ark. 25 tarafından yakın zamanda kapsamlı bir şekilde gözden geçirildiği üzere, tiroid kanseri için yapay zeka (AI) alanı; görsel dönüştürücüleri, büyük dil modellerini ve hibrit mimarileri kapsayacak şekilde hızla genişleyerek, alanın giderek daha karmaşık görüntü tabanlı tanısal çerçevelere doğru gelişimini yansıtmıştır.

Konvansiyonel ultrason özellikleri yapay zeka algoritmalarıyla birlikte kapsamlı bir şekilde çalışılmış olsa da, süper çözünürlüklü mikrovasküler parametrelerin makine öğrenimi (ML) modelleriyle kombinasyonu büyük ölçüde keşfedilmemiş durumdadır. SRUS teknolojisinin vaat eden potansiyeline ve makine öğrenimi algoritmalarının tıbbi görüntülemedeki kanıtlanmış etkinliğine rağmen, birkaç kritik soru hala cevapsız kalmıştır. Birincisi, RF ve SVM gibi geleneksel algoritmalar veya XGBoost ve GB gibi gelişmiş topluluk yöntemlerinden hangisi, SRUS kaynaklı mikrovasküler özelliklere uygulandığında optimal performans sergiler? İkincisi, bu modeller benign ve malign tiroid nodüllerini ayırt etmede sensitivite, spesifisite ve genel tanısal doğruluk açısından nasıl karşılaştırılır? Üçüncüsü, SRUS görüntülemeden elde edilen hangi mikrovasküler parametreler sınıflandırma performansına en önemli katkıyı sağlar? Bu soruların yanıtlanması, SRUS destekli tiroid nodülü tanısının klinik uygulamaları için kanıta dayalı çerçeveler oluşturulması açısından temel öneme sahiptir.

Buna göre, bu çalışma, süper çözünürlüklü ultrason mikrovasküler görüntüleme verilerini kullanarak tiroid nodüllerini sınıflandırmak için beş ML algoritmasının (RF, SVM, DT, XGBoost ve GB) performansını kapsamlı bir şekilde değerlendirmeyi amaçlamaktadır. Bu yaklaşımları sistematik olarak karşılaştırarak ve en bilgilendirici mikrovasküler biyobelirteçleri tanımlayarak, bu araştırma, tiroid nodülü karakterizasyonu için tanısal paradigmayı geliştirmeyi ve onkolojik görüntülemede SRUS teknolojisinin klinik faydasını destekleyen kanıtların artmasına katkıda bulunmayı hedeflemektedir. Önceden belirlenmiş 25 değişkenli özellik setinin, benign nodüller ile papiller tiroid karsinomu olarak rapor edilen nodüller arasında şans faktörünün üzerinde bir ayrım sağlayacağı hipotezini kurduk. Bilgi sızıntısını azaltmak için hasta gruplu çapraz doğrulama kullanıldı ve seçilen sınıflandırıcının ölçülen değişkenleri nasıl kullandığını açıklamak için odaklanmış bir SHAP analizi eklendi. Her iki analiz de keşifsel niteliktedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Çalışma tasarımı ve hasta popülasyonu

Bu retrospektif çalışma, 13 Haziran 2024 ile 13 Ocak 2025 tarihleri arasında elde edilen tiroid ultrasonografisi incelemelerini analiz etmiştir. Çalışma protokolü, Capital Medical University, Beijing Friendship Hospital Etik Kurulu tarafından onaylanmış (onay No. BFHHZS20240300) ve Helsinki Deklarasyonu'nda belirtilen etik ilkeler doğrultusunda yürütülmüştür; retrospektif tasarım nedeniyle bilgilendirilmiş onamdan feragat edilmiştir. Veri seti, 63 hastadan alınan 68 tiroid nodülünden (30 benign ve 38 malign) oluşmuş olup, analiz birimi olarak nodüller esas alınmıştır. Referans teşhisler, ultrason eşliğinde ince iğne aspirasyon sitolojisine (İİAS) dayandırılmıştır. Malign grup, İİAS sonucunda papiller tiroid karsinomu olarak raporlanan 38 nodülden oluşmaktadır.

Dahil edilme kriterleri

Uygun hastaların aşağıdaki kriterlerin tamamını karşılaması gerekmiştir: (1) konvansiyonel gri tonlamalı ve Doppler ultrasonografiye tabi tutulmuş, ardından mikrodamar akım görüntüleme analizine izin veren yeterli görüntü kalitesine sahip CEUS uygulanmış; (2) eş zamanlı pozitif BRAFV600E mutasyon testi ile birlikte veya bu test olmaksızın ince iğne aspirasyon biyopsisi ile doğrulanmış PTC sitopatolojik tanısına sahip olanlar veya Bethesda Kategori III (belirsiz öneme sahip atipi) sitoloji sonucuna sahip olup aynı zamanda pozitif BRAFV600E mutasyon testi saptananlar; (3) eş zamanlı pozitif BRAFV600E mutasyon testi olmaksızın Bethesda Kategori II'de benign, proliferatif nodüller, adenomatöz nodüller veya benign foliküler nodül sitopatolojik tanısına sahip olanlar.

Hariç tutma kriterleri

Aşağıdaki koşullardan herhangi birinin mevcut olması durumunda hastalar çalışmadan hariç tutulmuştur: (1) güvenilir mikrovasküler akış değerlendirmesini engelleyen düşük kaliteli CEUS görüntüleri veya yetersiz mikrobaloncuk sinyali; (2) sitolojik veya patolojik sonuçların olmaması; (3) nadir veya özel bir tiroid karsinomu alt tipi (örneğin anaplastik varyantlar) histopatolojik tanısı; (4) mutasyon durumuna bakılmaksızın, foliküler neoplazm (Bethesda Kategori IV) düşündüren sitolojik bulgular veya belirsiz foliküler kökenli herhangi bir lezyon; (5) Hashimoto tiroiditi

Ultrasonda, CEUS ve SRUS görüntüleme

Tüm incelemeler, referans verilen ultrason sistemi ve lineer dizilimli bir prob ile gerçekleştirilmiştir. Hastalar, boyun ekstate edilmiş şekilde sırtüstü pozisyonda konumlandırılmıştır. Hedef nodül B-mod ultrason ile lokalize edilmiş ve ölçülmüştür; mikrokalsifikasyonlar kaydedilmiş ve intranodüler vaskülariteyi Color Doppler ile değerlendirmek için aynı lezyon merkezli görüntüleme düzlemi kullanılmıştır.

İntravenöz erişim sağlandıktan sonra, sistem düşük mekanik indeksli bir CEUS/URM moduna (URM, Ultra-Çözünürlüklü Mikroskopi görüntüleme anlamına gelir) geçirildi. CEUS, 1,2 mL SonoVue intravenöz bolus enjeksiyonunun ardından hemen 5 mL salin yıkaması yapılarak gerçekleştirildi; bolus uygulamasıyla birlikte ekrandaki zamanlayıcı ve sürekli cine görüntüleme başlatıldı. Prob, minimum basınçla sabit bir düzlemde tutuldu ve hastadan wash-in ve wash-out süreçleri sırasında yutkunmaktan kaçınması istendi.

Kantitatif CEUS için, zaman-yoğunluk parametrelerini türetmek amacıyla lezyonla sınırlı bir ilgi alanı kullanılmıştır. SRUS için, URM iş akışı hareket kontrolünden sonra mikrobaloncuk sinyallerini lokalize edip takip etmiş ve damar oranı, karmaşıklık, mikrovasküler yoğunluk, perfüzyon indeksi ve akış hızı ölçümlerini oluşturmuştur. Temsili görüntü çıktıları VSP 4, RES 2, CTR 3, SM 2, VEN 3 ve CPT 10 s ayarlarını göstermekteydi; geri kalan incelemeler için karşılık gelen ayarlar mevcut değildi.

25 model girdi değişkeni Tablo 1'de listelenmiş ve elde etme modalitesine göre şu şekilde gruplandırılmıştır: yaş ve cinsiyet; B-mod mikrokalsifikasyon; Renkli Doppler intranodüler vaskülarite; kalitatif CEUS; kantitatif CEUS ve 11 SRUS mikrovasküler ölçümü.

Öznitelik seçimi

25 kantitatif özelliğin tamamı makine öğrenimi modellerinde tutulmuştur. Yalnızca sayısal özellikler kullanılmış; hasta isimleri, kayıt numaraları ve lezyon boyutu alanları hariç tutulmuştur. Veriye dayalı herhangi bir özellik seçimi yapılmamış ve önceden belirlenmiş aynı öngörücüler her bir sınıflandırıcıya girilmiştir.

Öznitelik standardizasyonu

Çapraz doğrulamadan önce herhangi bir dönüşüm, imputasyon veya küresel ölçekleme uygulanmamıştır. Standardizasyon, yalnızca StandardScaler hattı aracılığıyla radyal tabanlı fonksiyon SVM'ye uygulanmıştır. Ölçekleyici, her katlamanın eğitim modülleri üzerinde eğitilmiş ve ardından o katlamanın doğrulama modüllerine uygulanmıştır. Ağaç tabanlı sınıflandırıcılar orijinal sayısal ölçekleri kullanmıştır:

Standardizasyon formülü \( z = \frac{x - \mu}{\sigma} \) denklemi, istatistiksel yöntem.

burada x orijinal öznitelik değerini, µ eğitim katlaması ortalamasını ve σ eğitim katlaması standart sapmasını temsil eder. Katlama bazlı ön işleme, doğrulama gözlemlerinin SVM ölçekleme parametrelerine katkıda bulunmasını önlemiştir.

Veri bölümlendirme

Birincil performans değerlendirmesinde, shuffle = True ve random_state = 42 değerleri ile beş katmanlı StratifiedGroupKFold çapraz doğrulaması kullanılmıştır. Bir hasta tanımlayıcısı 63 grubu tanımlamış ve aynı hastadan alınan tüm nodüller aynı katmana atanmıştır. Hiçbir hasta, bir katmanın hem eğitim hem de doğrulama alt kümelerine nodül katkısında bulunmamıştır.

Model eğitimi ve doğrulaması

Eğitim protokolü

Beş sınıflandırıcı değerlendirildi: rastgele orman (100 ağaç; random_state = 42), radyal tabanlı fonksiyon SVM (C = 1.0; gamma = scale; probability = True; StandardScaler hattı; random_state = 42), karar ağacı (Gini kriteri; kısıtlanmamış derinlik; random_state = 42), XGBoost (100 tahminci; learning_rate = 0.3; max_depth = 6; subsample = 1.0; colsample_bytree = 1.0; random_state = 42) ve gradyan artırma (100 tahminci; learning_rate = 0.1; max_depth = 3; random_state = 42). Izgara araması, Bayesian optimizasyonu, eşik ayarlama veya iç içe model seçimi yapılmamıştır.

Çapraz doğrulama

Hasta bazlı olarak gruplandırılmış beş katlı çapraz doğrulamanın her birinde, modeller geri kalan hasta grupları üzerinde eğitilmiş ve ayrılan gruplar üzerinde değerlendirilmiştir. Her kat için doğruluk, duyarlılık, özgüllük, kesinlik, F1-skoru ve ROC-AUC hesaplanmış ve ortalama ± SD olarak özetlenmiştir. Her model için bir adet çapraz doğrulanmış ROC eğrisi ve bir adet hata matrisi oluşturmak amacıyla, OOF tahminleri toplam 68 nodül üzerinden birleştirilmiştir.

Performans değerlendirmesi

Değerlendirme metrikleri

Model performansı, her bir hasta gruplu doğrulama katlaması içinde ve havuzlanmış OOF tahminlerinden şu metrikler kullanılarak değerlendirilmiştir:

Doğruluk: Doğru tahminlerin genel oranı

Doğruluk formülü, ACC=(TP+TN)/(TP+TN+FP+FN), istatistiksel ölçüm denklemi.

Duyarlılık (Geri Çağırma): Gerçek malign nodüllerin doğru şekilde tanımlanma oranı

SEN= denklemi ile spektroskopi yöntemi; absorpsiyon-emisyon diyagramı; optik çalışma düzeneği.  Veri analizi için kesinlik denklemi (TP/TP+FN).

Özgüllük: Doğru şekilde tanımlanan gerçek benign nodüllerin oranı

Özgünlük formülü: SPE = TN/(TN+FP), denklem, istatistiksel analiz, tanısal performans.

Hassasiyet (Pozitif Öngörü Değeri): Öngörülen malign vakaların gerçekten malign olanlarının oranı

Pozitif öngörü değeri formülü, PPV hesaplaması, gerçek pozitifler (TP) ve yanlış pozitifler (FP) içeren denklem.

F1-Skoru: Kesinlik ve duyarlılığın harmonik ortalaması

F1 skor formülü F1=2(Precision×Recall)/(Precision+Recall), matematiksel denklem.

Alıcı İşletim Karakteristik Eğrisi Altındaki Alan (ROC-AUC): Modelin, tüm sınıflandırma eşikleri boyunca benign ve malign nodülleri birbirinden ayırt edebilme yeteneğinin ölçümü

burada TP = gerçek pozitifler (doğru tanımlanmış malign nodüller), TN = gerçek negatifler (doğru tanımlanmış benign nodüller), FP = yanlış pozitifler (yanlışlıkla malign olarak sınıflandırılan benign nodüller) ve FN = yanlış negatifler (yanlışlıkla benign olarak sınıflandırılan malign nodüller) anlamına gelir.

Karışıklık matrisi analizi

OOF konfüzyon matrisleri, her nodül için yapılan tahminlerin yalnızca o hastanın dışarıda tutulduğu katmanda (fold) birleştirilmesiyle oluşturulmuştur. Böylece, her nodül için tahmin, diğer hastalardan alınan nodüllerle eğitilmiş bir model tarafından yapılmıştır.

Özellik önem analizi

Random Forest modeli için özellik önem skorları, tüm karar ağaçlarındaki ortalama Gini safsızlık azalmasına dayanarak hesaplanmıştır. Sınıflandırma performansına en önemli katkıyı sağlayan mikrovasküler parametreleri belirlemek amacıyla en önemli 15 özellik tanımlanmış ve sıralanmıştır.

Keşifsel SHAP analizi

SVM için permütasyon tabanlı bir açıklayıcı kullanılarak odaklanmış bir OOF SHAP analizi gerçekleştirilmiştir. Ayrılan her bir nodül için, arka plan dağılımı olarak yalnızca ilgili eğitim katlaması gözlemleri kullanılmıştır (128 antitetik permütasyon; rastgele tohum = 20260716). Ortalama mutlak SHAP değerleri katkıların büyüklüğünü özetlemiş ve işaretli değerler yönü belirtmiştir. Analiz keşifsel niteliktedir ve nedensellik çıkarımı yapmak, bağımsız biyobelirteçler tanımlamak veya klinik eşik değerler belirlemek amacıyla kullanılmamıştır.

İstatistiksel analiz

Karşılaştırmalı analiz

Model performansı, hasta gruplu beş doğrulama katlaması genelinde tanımlayıcı olarak ve havuzlanmış OOF tahminlerinde özetlenmiştir. Katlamaların birbiriyle ilişkili olması ve kohortun küçük olması nedeniyle, modeller arasında formal bir hipotez testi veya P-değeri tabanlı bir sıralama yapılmamıştır.

Başlangıç grubu karşılaştırmaları için, sürekli değişkenlerin normalliği her bir sonuç grubu içinde Shapiro-Wilk testi kullanılarak değerlendirildi. Her iki grup da normallik ile uyumlu olduğunda Welch t testi kullanıldı; aksi takdirde, iki yönlü Mann-Whitney U testi uygulandı. Kategorik değişkenler Pearson ki-kare testi ile, seyrek 2 x 2 tablolar için ise Fisher'ın kesin testi ile değerlendirildi. P değerleri iki yönlü, keşifsel ve düzeltilmemişti (alfa = 0,05).

Tekrarlanabilirlik

Tekrarlanabilirlik; belirlenmiş bir hasta grubu tanımı, sabit rastgele tohum (42), sabit sınıflandırıcı konfigürasyonları ve katman bazlı ön işleme ile desteklenmiştir. Tanımlayıcılar yalnızca gruplandırma için kullanılmış olup, öngördürücü olarak girilmemiş veya model çıktılarıyla birlikte dışa aktarılmamıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Hasta özellikleri ve çalışma popülasyonu

Toplam 63 hastadan alınan, 30'u benign nodül ve 38'i PTC olan toplam 68 tiroid nodülü çalışmaya dahil edildi. Analitik birim nodül olarak belirlenmiş olup, hasta gruplandırması yoluyla aynı hastaya ait nodüllerin hem eğitim hem de doğrulama alt kümelerinde yer alması önlenmiştir. Bazal özellikler Tablo 2'de özetlenmiştir.

Şekil 1, tipik bir benign nodül ve ultras...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Tiroid nodülleri için mevcut tanısal yaklaşımlar, doğası gereği operatöre bağlı kalmaya devam eden, gözlemciler arası değişkenliğe 5 ve difraksiyon limitinin altındaki mikrovaskülatürü görüntüleyememeye tabi olan konvansiyonel ultrasona dayanmaktadır. Bildiğimiz kadarıyla çalışmamız, süper çözünürlüklü ultrason (SRUS) mikrovasküler görüntüleme verilerine uygulanan çoklu makine öğrenimi algoritmalarının ilk kapsamlı değerlendirmesidir ve bir araştırma ortamında tiroid nodüllerinde PTC riskinin obje...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar beyan edilecek herhangi bir çıkar çatışması olmadığını belirtmişlerdir.

Teşekkürler

Yazarlar, hasta veri toplama konusundaki yardımları için Capital Medical University, Beijing Friendship Hastanesi Ultrason Bölümü personeline teşekkür ederler.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Karar Ağacı sınıflandırıcıscikit-learnSürüm 1.5.2Makine öğrenimi sınıflandırıcısı
İnce iğne aspirasyon biyopsi iğnesiUltrason eşliğinde İİAİ (İnce İğne Aspirasyon Biyopsisi) için kullanılır
Gradyan Artırma sınıflandırıcıscikit-learnSürüm 1.5.2Makine öğrenmesi sınıflandırıcı
İntravenöz kateterKontrast madde uygulaması için kullanılır
PythonPython Software FoundationSürüm 3.11.9Makine öğrenmesi analizi için kullanılan programlama dili
Rastgele Orman sınıflandırıcıscikit-learnVersiyon 1.5.2Makine öğrenimi sınıflandırıcı
SHAP (permütasyon açıklayıcı)SHAP GeliştiricileriSürüm 0.46.0Model açıklanabilirliği analizi
SonoVue kontrast maddesiBraccoCEUS/SRUS görüntüleme için ultrason kontrast maddesi
Standart Ölçekleyiciscikit-learnSürüm 1.5.2SVM hattı için öznitelik standardizasyonu
Steril normal salinKontrast madde enjeksiyonu sonrası intravenöz yıkama için kullanılır
Tabakalı Grup K-Katlı Çapraz Doğrulamascikit-learnSürüm 1.5.2Hasta gruplu çapraz doğrulama
Destek Vektör Makinesi (SVM) sınıflandırıcıscikit-learnSürüm 1.5.2Radyal tabanlı fonksiyon çekirdek sınıflandırıcısı
U5-15LE lineer dizilimli transducerVINNO TechnologyU5-15LELineer ultrason probu
ULTIMUS 9E ultrason sistemiVINNO TeknolojisiULTIMUS 9EB-mod, Renkli Doppler, CEUS ve SRUS görüntüleme için kullanılan ultrason görüntüleme sistemi
XGBoostXGBoost GeliştiricileriSürüm 2.1.1Gradyan artırma çerçevesi

Kaynaklar

  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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Daha fazla makale keşfet

Tiroid Nodülü SınıflandırmasıMakine Öğrenmesi AlgoritmalarıKontrastlı UltrasonKantitatif Ultrason ÖzellikleriPapiller Tiroid KarsinomuSHAP AnaliziRastgele OrmanDestek Vektör MakinesiBeş Katlı Çapraz Doğrulama
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.