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.
Araştırma makalesi
Tiroid Nodüllerinin Makine Öğrenimi Tabanlı Sınıflandırılması için Kantitatif Süper Çözünürlüklü Ultrason Mikrovasküler Özellikleri
69 görüntülenme
⸱
11 Eylül 2026
* These authors contributed equally
Bu makalede
Özet
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.
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:
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
Duyarlılık (Geri Çağırma): Gerçek malign nodüllerin doğru şekilde tanımlanma oranı
Özgüllük: Doğru şekilde tanımlanan gerçek benign nodüllerin oranı
Hassasiyet (Pozitif Öngörü Değeri): Öngörülen malign vakaların gerçekten malign olanlarının oranı
F1-Skoru: Kesinlik ve duyarlılığın harmonik ortalaması
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.
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 ultrason eşliğinde FNAC ile PTC olarak rapor edilen bir nodülden elde edilen teknik olarak başarılı lezyon kısıtlı SRUS/URM rekonstrüksiyonlarını göstermektedir. Her iki örnekte de lezyon ana hattı, rekonstrükte edilmiş mikrovasküler harita ve cihaz tarafından oluşturulan kantitatif bindirme görülmektedir. Bu örnekler, her iki referans sınıfında da başarılı veri toplama ve rekonstrüksiyon işlemini kanıtlamakta, ancak tek başlarına tanısal ayrımı veya model performansını belirlememektedir.
Beş sınıflandırıcı, 68 nodül veri setinin beş katlı hasta gruplu çapraz doğrulama yöntemi kullanılarak değerlendirildi. Performans metrikleri, Tablo 3'te kat ortalaması ± SD ve havuzlanmış OOF değerleri olarak bildirilmiştir. Şekil 2, Şekil 3 ve Şekil 4; OOF ROC eğrilerini, gruplanmış kat metrik özetlerini ve OOF konfüzyon matrislerini göstermektedir.
Şekil 4, her bir nodülün yalnızca aynı hastadan gelen nodüller olmadan eğitilmiş bir model tarafından tahmin edildiği, havuzlanmış OOF konfüzyon matrislerini göstermektedir. SVM, 38 malign nodülün 32'sini doğru şekilde sınıflandırmış (duyarlılık 0.842), ancak 30 benign nodülün 15'ini malign olarak yanlış sınıflandırmıştır (özgüllük 0.500). Karar ağacı, en fazla sayıda yanlış-negatif ve yanlış-pozitif sınıflandırmaya sahip olmuştur. Bu örüntüler, neden yalnızca doğruluğun yetersiz olduğunu kanıtlamakta ve hem başarılı hem de suboptimal sonuçları örneklendirmektedir.
Odaklanmış OOF SHAP analizinde (Şekil 5 ve Tablo 4), mikro kalsifikasyon ve kontrast sonrası büyüme, SVM malignite olasılığına modele özgü en büyük katkıları sağlamış; bunları kontrastlanma homojenliği ve cinsiyet izlemiştir. Bu bulgular, eğitilmiş SVM'nin bu kohorttaki ölçülen değişkenleri nasıl kullandığını tanımlamakta olup bağımsız bir klinik önem teşkil etmemektedir.
Veriyle ilgili açıklama
Bu makaleye temel teşkil eden veriler, makul bir talep üzerine sorumlu yazarla paylaşılacaktır.
Şekil 1. Temsili lezyon kısıtlı SRUS/URM görüntüleri. (A) Benign tiroid nodülü. (B) Ultrason rehberliğinde FNAC'ye göre papiller tiroid karsinomu. Her panel lezyon hattını ve cihaz tarafından oluşturulan kantitatif kaplamaya sahip ilgili mikrovasküler rekonstrüksiyonu göstermektedir. Örnekler, başarılı kazanım ve rekonstrüksiyonu örneklemektedir ve tanısal doğruluğu tahmin etmek için kullanılmamıştır. Kısaltmalar: SRUS = Süper-çözünürlüklü ultrason; URM = ultra-çözünürlüklü mikroskobik görüntüleme; FNAC = ince iğne aspirasyon sitolojisi. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 2. Beş sınıflandırıcı için hasta gruplandırmalı OOF ROC eğrileri. Her eğri, nodül başına bir ayrılmış tahmini özetler; kesikli diyagonal çizgi şans düzeyinde ayrımı belirtir. Kısaltmalar: 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. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.
Şekil 3Beş hasta gruplu doğrulama katmanı genelindeki doğruluğun, duyarlılığın, özgüllüğün, kesinliğin, F1 skorunun ve ROC-AUC'nin ortalaması ± standart sapması. Kısaltmalar: SD = standart sapma; ROC-AUC = Alıcı İşletim Karakteristiği-Eğri Altındaki Alan. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 4. Hasta gruplandırılmış OOF konfüzyon matrisleri. Satırlar referans sınıfı, sütunlar ise tahmin edilen sınıfı göstermektedir. Her nodül, aynı hastadan gelen hiçbir nodül içermeyen bir model ile tahmin edilmiştir. Kısaltma: OOF = Out-of-fold. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 5. Permütasyon tabanlı bir açıklayıcı kullanılarak SVM'nin OOF SHAP analizi. (A) En büyük on ortalama mutlak SHAP değeri sıralanmıştır. (B) 68 ayrılmış tahmin boyunca aynı değişkenler için işaretli SHAP değerleri. Kısaltmalar: OOF = Out-of-fold; SHAP = SHapley Additive exPlanations; SVM = Support Vector Machine; MVD = Mikro vasküler yoğunluk. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
| Edinim kaynağı | Yordayıcılar | Model yönetimi |
| Demografik Özellikler | Yaş; cinsiyet | Sayısal çalışma sayfası değişkenleri; her ikisi de önceden belirlenmiş model girişleri olarak tutulmuştur. |
| B-mod ultrason | Mikrokalsifikasyon | Sayısal çalışma sayfası değişkeni; genel ölçeklendirme yok. |
| Renkli Doppler | İntranodüler vaskülarite (kan akışı) | B-mod tahminleyiciden ziyade, Renkli Doppler olarak sınıflandırılmıştır. |
| Kalitatif CEUS | Kontrast sonrası büyüme; kontrastlanma paterni; kontrastlanma homojenliği | Sayısal çalışma sayfası değişkenleri; önceden belirlenmiş girdiler olarak tutulmuştur. |
| Kantitatif CEUS | AUC, pik şiddeti, pik süresi, varış süresi, yükselme süresi, ortalama geçiş süresi, yarı-pik şiddetine ulaşma süresi | Yedi zaman-şiddet eğrisi değişkeni; imputasyon veya küresel ölçeklendirme yapılmamıştır. |
| SRUS mikrovasküler | Damar oranı, kompleksite, MVD maksimum/minimum/ortalama/SD, perfüzyon indeksi, akış hızı maksimum/minimum/ortalama/SD | On bir mikrovasküler değişken; a priori özellik seçimi yapılmamıştır. |
Tablo 1: Kantitatif değişkenler ve ön işleme. Önceden belirlenmiş 25 öngörücü, edinim kaynağına göre gruplandırılmıştır: yaş ve cinsiyet; B-mod mikro kalsifikasyon; Renkli Doppler intranodüler vaskülarite; kalitatif ve kantitatif CEUS ölçümleri ve SRUS mikrovasküler ölçümleri. İsimler, kayıt kimlikleri ve lezyon boyutu alanları hariç tutulmuştur. 25 değişkenli matriste eksik değer bulunmamaktadır. Hasta kimliği yalnızca gruplandırma için kullanılmıştır. StandardScaler yalnızca SVM eğitim katlamaları (folds) içinde uygulanmıştır. Kısaltmalar: CEUS = kontrastlı ultrason; SRUS = Süper-çözünürlüklü ultrason; SVM = Destek Vektör Makinesi.
| Edinim kaynağı | Karakteristik | Benign Nodüller | Malign Nodüller | P Değeri |
| (n = 30) | (n = 38) | |||
| Demografik bilgiler | Yaş, yıl | 48 (42, 55) | 48 (41, 52) | 0.551 |
| Demografik bilgiler | Cinsiyet, n (%) | 0.012 | ||
| Demografik bilgiler | Kadın | 26 (86.7%) | 27 (71.1%) | |
| Demografik bilgiler | Erkek | 4 (13.3%) | 11 (28.9%) | |
| B-mod Ultrason | ||||
| B-mod Ultrason | Mikrokalsifikasyon, n (%) | 0.001 | ||
| B-mod Ultrason | Yok | 12 (40.0%) | 2 (5.3%) | |
| B-mod Ultrason | Var | 18 (60.0%) | 36 (94.7%) | |
| Renkli Doppler | Kan Akışı, n (%) | 0.1 | ||
| Renkli Doppler | Yok | 7 (23.3%) | 8 (21.1%) | |
| Renkli Doppler | Var | 23 (76.7%) | 30 (78.9%) | |
| Kalitatif CEUS | Kontrast Sonrası Genişleme, n (%) | 0.001 | ||
| Kalitatif CEUS | Hayır | 16 (53.3%) | 5 (13.2%) | |
| Kalitatif CEUS | Evet | 14 (46.7%) | 33 (86.8%) | |
| Kalitatif CEUS | İyileşme Homojenliği, n(%) | 0.087 | ||
| Kalitatif CEUS | Heterojen | 11 (36.7%) | 23 (60.5%) | |
| Kalitatif CEUS | Homojen | 19 (63.3%) | 15 (39.5%) | |
| Kalitatif CEUS | İyileşme Paterni, n (%) | |||
| Kalitatif CEUS | Hipokontraslanma | 18 (60.0%) | 20 (52.6%) | |
| Kalitatif CEUS | İzokontraslanma | 3 (10.0%) | 0 (0.0%) | |
| Kalitatif CEUS | Hiperkontraslanma | 9 (30.0%) | 18 (47.4%) | |
| Kantitatif CEUS | ||||
| Kantitatif CEUS | Eğri Altındaki Alan (AUC), dB·s | 3255.49 (2457.15, 4048.94) | 3620.76 (3096.36, 4066.75) | 0.201 |
| Kantitatif CEUS | Pik Şiddeti (PI), dB | 48.93 (40.93, 55.78) | 50.22 (42.49, 56.82) | 0.621 |
| Kantitatif CEUS | Pike Ulaşma Süresi (TTP), s | 17.78 (16.47, 19.30) | 20.42 (17.53, 23.47) | 0.045 |
| Kantitatif CEUS | Varış Süresi (AT), s | 9.88 (8.23, 11.53) | 9.88 (8.64, 11.53) | 0.1 |
| Kantitatif CEUS | Yükselme Süresi (RT), s | 8.43 (6.92, 9.55) | 9.55 (7.00, 12.11) | 0.164 |
| Kantitatif CEUS | Ortalama Geçiş Süresi (MTT), s | 69.38 (60.17, 87.84) | 82.82 (64.22, 99.15) | 0.102 |
| Kantitatif CEUS | Yarım Pik Şiddetine Ulaşma Süresi (THP), s | 81.62 (70.53, 99.93) | 95.34 (73.60, 109.44) | 0.157 |
| SRUS Mikrovasküler | ||||
| SRUS Mikrovasküler | Damar Oranı, % | 56.29 (43.34, 71.44) | 57.81 (41.49, 70.24) | 0.772 |
| SRUS Mikrovasküler | Kompleksite Seviyesi | 1.68 (1.59, 1.73) | 1.62 (1.57, 1.69) | 0.083 |
| SRUS Mikrovasküler | Mikrovasküler Yoğunluk—Maksimum | 15.24 (10.59, 17.88) | 13.28 (9.60, 15.92) | 0.142 |
| SRUS Mikrovasküler | Mikrovasküler Yoğunluk—Minimum | 0.07 (0.05, 0.07) | 0.06 (0.04, 0.07) | 0.385 |
| SRUS Mikrovasküler | Mikrovasküler Yoğunluk—Ortalama | 6.20 (3.46, 7.45) | 4.71 (3.74, 6.78) | 0.161 |
| SRUS Mikrovasküler | Mikrovasküler Yoğunluk—SD | 3.15 (2.12, 3.64) | 2.56 (1.94, 3.04) | 0.085 |
| SRUS Mikrovasküler | Perfüzyon İndeksi | 6.81 (4.53, 9.05) | 7.12 (4.52, 9.90) | 0.666 |
| SRUS Mikrovasküler | Maksimum akış hızı, mm/s | 25.13 (22.24, 26.43) | 26.32 (23.86, 28.00) | 0.152 |
Tablo 2: 30 benign ve 38 malign tiroid nodülünün başlangıç özellikleri. Benign (n = 30) ve malign (n = 38) nodüller için başlangıç demografik ve görüntüleme özellikleri. Değerler n (%) veya medyan (çeyreklikler arası aralık) olarak verilmiştir. Referans etiketleri ultrason kılavuzlu İİAB'ye göre atanmıştır; ameliyat sonrası histopatoloji mevcut değildir. Kısaltmalar: EUS = kontrastlı ultrason; SRUS = Süper çözünürlüklü ultrason.
| Sınıflandırıcı | Doğruluk | Duyarlılık | Özgüllük | Hassasiyet | F1-skoru | ROC-AUC | |
| Random Forest | StratifiedGroupKFold doğrulaması | 0.548 ± 0.176 | 0.573 ± 0.297 | 0.572 ± 0.105 | 0.603 ± 0.139 | 0.555 ± 0.204 | 0.633 ± 0.137 |
| havuzlanmış OOF | 0.559 | 0.553 | 0.567 | 0.618 | 0.583 | 0.579 | |
| SVM | StratifiedGroupKFold doğrulaması | 0.686 ± 0.120 | 0.850 ± 0.180 | 0.495 ± 0.204 | 0.678 ± 0.154 | 0.740 ± 0.118 | 0.690 ± 0.164 |
| havuzlanmış OOF | 0.691 | 0.842 | 0.5 | 0.681 | 0.753 | 0.655 | |
| Karar Ağacı | StratifiedGroupKFold doğrulaması | 0.429 ± 0.073 | 0.492 ± 0.229 | 0.402 ± 0.247 | 0.514 ± 0.169 | 0.468 ± 0.117 | 0.447 ± 0.073 |
| havuzlanmış OOF | 0.426 | 0.474 | 0.367 | 0.486 | 0.48 | 0.42 | |
| XGBoost | StratifiedGroupKFold doğrulaması | 0.541 ± 0.151 | 0.494 ± 0.197 | 0.595 ± 0.137 | 0.587 ± 0.228 | 0.530 ± 0.202 | 0.571 ± 0.163 |
| havuzlanmış OOF | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.594 | |
| Gradiyent Artırma | StratifiedGroupKFold doğrulaması | 0.544 ± 0.099 | 0.500 ± 0.091 | 0.550 ± 0.213 | 0.624 ± 0.087 | 0.546 ± 0.053 | 0.579 ± 0.124 |
| havuzlanmış OOF | 0.544 | 0.5 | 0.6 | 0.613 | 0.551 | 0.555 |
Tablo 3: Beş katlı hasta gruplu çapraz doğrulama performansı ve havuzlanmış OOF performansı. Aynı hastaya ait tüm nodüller aynı kata atandı. Değerler, beş StratifiedGroupKFold doğrulama katı boyunca hesaplanan ortalama ± SD'dir. 68 nodül, 63 hasta grubundan alınmıştır; her kat 12-13 hasta grubundan 12-5 nodülü dışarıda tutmuştur. Her havuzlanmış OOF değeri, o hastadan gelen tüm nodüllerin hariç tutulduğu doğrulama katında nodül başına yapılan bir tahmini kullanır. Şekil 3 ilgili havuzlanmış OOF hata matrislerini bildirmektedir. Kısaltmalar: OOF = kat dışı (out-of-fold); SVM = Destek Vektör Makineleri (Support Vector Machine).
| Sıralama | Özellik | Ortalama |SHAP| | Ortalama |SHAP| değerinin kat standart sapması |
| 1 | Mikrokalsifikasyon | 0.0357 | 0.023 |
| 2 | Kontrast sonrası genişleme | 0.0331 | 0.0165 |
| 3 | İyileştirme homojenliği | 0.0207 | 0.008 |
| 4 | Cinsiyet | 0.0194 | 0.0109 |
| 5 | Akış hızı SD | 0.0159 | 0.01 |
| 6 | MVD anlamı | 0.0124 | 0.0086 |
| 7 | Ortalama geçiş süresi | 0.0118 | 0.0069 |
| 8 | Minimum akış hızı | 0.0107 | 0.0061 |
| 9 | Kontrastlanma paterni | 0.0103 | 0.0112 |
| 10 | MVD SD | 0.0102 | 0.0077 |
Tablo 4: SVM için global OOF SHAP özellik sıralaması. SHAP değerleri, SVM malignite olasılığına yapılan katkıları nicelleştirir. Her nodül, ayrılmış hasta gruplandırmalı doğrulama katmanında bir kez açıklanmıştır. Global değerler, 68 OOF açıklaması genelindeki ortalama mutlak SHAP değerleridir; katman SD, beş katman boyunca katmana özgü ortalama mutlak değerlerin standart sapmasıdır (SD). Sıralamalar, modele özgü keşifsel özetlerdir ve nedensel etkiler, bağımsız biyobelirteçler veya klinik eşik değerleri değildir. Kısaltmalar: OOF = katman dışı (out-of-fold); SVM = Destek Vektör Makinesi (Support Vector Machine); MVD = mikrovasküler yoğunluk; SHAP = SHapley Toplanabilir Açıklamalar (SHapley Additive exPlanations).
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 objektif kantitatif bir değerlendirmesini sağlamaktadır.
Bu çalışmanın temel katkısı, tiroid nodüllerini sınıflandırmak için lokalizasyon tabanlı kontrast-mikrokabarcık SRUS ölçümlerini; B-mod ultrason, Renkli Doppler, kalitatif ve kantitatif CEUS ve klinik değişkenlerle entegre eden hasta düzeyinde bir analitik çerçevedir. Yenilik, yeni bir sınıflandırıcı mimarisinden ziyade, deneysel olarak ölçülen mikrovasküler bilgilerin önceden belirlenmiş 25 değişkenli çok modlu bir özellik setine dahil edilmesinde ve bunun sızıntılara karşı dirençli hasta gruplandırması kullanılarak değerlendirilmesinde yatmaktadır. Aynı hastaya ait tüm nodüller tek bir katmanda tutulmuş; SVM ölçekleyici yalnızca her bir eğitim katmanına uygulanmış; model değerlendirmesinde ise beş katlı hasta gruplandırmalı doğrulama, havuzlanmış OOF tahminleri ve odaklanmış OOF SHAP analizi kullanılmıştır. Bu çerçevede, SVM en yüksek ortalama doğruluğa (0,686 ± 0,120) ve ortalama ROC-AUC değerine (0,690 ± 0,164) sahip olsa da, havuzlanmış OOF özgüllüğü yalnızca 0,500 düzeyindeydi ve performans katmanlar arasında değişkenlik gösterdi. Bir bütün olarak değerlendirildiğinde bu bulgular, kombine mikrovasküler ve konvansiyonel ultrason verilerinin hasta düzeyinde değerlendirilmesi için tekrarlanabilir bir yaklaşım sunarken, aynı zamanda klinik uygulama öncesinde daha fazla geliştirme gerektiren alanları vurgulamaktadır.
Önceki tiroid çalışmaları, kontrast mikro-kabarcık SRUS'un uygulanabilirliğini ortaya koymuş ve 24 nodüllü bir pilot kohortta mikrovasküler akışta grup düzeyinde farklar bildirmiştir26. Çalışmamız, görüntüleme uygulanabilirliğinin kanıtını üç özel açıdan genişletmektedir. İlk olarak, SRUS kaynaklı damar yoğunluğu, akış hızı ve perfüzyon ölçümleri; izole bir SRUS karşılaştırması yerine, B-mod mikrokalsifikasyon, Renkli Doppler intranodüler vaskülarite, kalitatif ve kantitatif CEUS ile yaş ve cinsiyetle birlikte analiz edilmiştir. İkinci olarak, ön işleme ve doğrulama boyunca ayırma birimi olarak hasta kabul edilmiş, böylece aynı hastadaki nodüllerin hem eğitim hem de doğrulama verilerinde yer alması önlenmiştir. Üçüncü olarak, aynı hasta gruplandırma çerçevesi, model performansını havuzlanmış OOF tahminlerine ve odaklanmış bir OOF SHAP analizine bağlamıştır. Tüm bu unsurlar; veri toplama, kantitatif mikrovasküler karakterizasyon, model değerlendirme ve açıklama süreçlerini tek bir tekrarlanabilir iş akışında birleştirerek, gelecek çalışmalar için bir temel oluşturmaktadır.
Malign tiroid nodüllerinin teşhisinde yapay zeka ve derin öğrenme uygulamaları üzerine yapılmış bir dizi güncel çalışmayı belirledik. Bizim yaklaşımımızı bunlardan ayırt etmek faydalı olacaktır. Feng ve ark., ameliyat öncesi papiller tiroid karsinomu risk stratifikasyonu için çok merkezli, multimodal bir model geliştirmişlerdir27; Gatta ve ark. ise geleneksel tiroid ultrason görüntüleri üzerinden benign ve malign ayırımı teşhisi için harici olarak değerlendirilmiş makine öğrenimi modellerini sentezlemişlerdir28. Li ve ark., nodül lokalizasyonu için geleneksel ultrasona hesaplamalı tek görüntü süper-çözünürlüğü uygulamışlar29 ve He ve ark., tanısal olmayan (Bethesda I) bir İİA sonucunu öngörmek için GAN destekli B-mod radyomiks kullanmışlardır30. Geometri duyarlı, transfer öğrenimi ve Transformer tabanlı yaklaşımlar, tiroid ultrasonu araştırmalarının algoritmik çeşitliliğini daha da ortaya koymaktadır31. Bu çalışmalar geleneksel ultrason görüntülerini, multimodal klinik veya görüntüleme değişkenlerini ya da hesaplamalı olarak geliştirilmiş görüntü temsillerini kullanmaktadır; ancak enjekte edilen kontrast mikrobaloncukları lokalize etmemekte veya lezyon düzeyindeki mikrovasküler yoğunluğu ve akışı doğrudan nicelleştirmemektedirler. Habchi ve ark., geleneksel tiroid ultrason görüntülerine VGG19 tabanlı bir transfer öğrenimi çerçevesi uygulamış ve halka açık bir veri setinde yüksek sınıflandırma doğruluğu bildirmişlerdir32. Bu çalışma, derin öğrenmenin bu alandaki potansiyelini göstermiş olsa da, yalnızca B-mod görüntü özelliklerine dayanmaktaydı.
Buna karşılık, buradaki özgün katkı, deneysel olarak ölçülmüş mikrovasküler değişkenleri elde etmek için lokalizasyon tabanlı SRUS kullanımı, bunların konvansiyonel ultrason ve CEUS özellikleriyle entegrasyonu ve hasta grupları üzerinden değerlendirilmesidir. Atıfta bulunulan çalışmalar; girdileri, sonlanım noktaları, referans standartları ve doğrulama tasarımları farklı olduğundan doğrudan performans karşılaştırmaları yerine tamamlayıcı nitelikte kalmaktadır; biz bu tamamlayıcılığı, geliştirilmiş risk sınıflandırmasına yönelik çok sayıda bağımsız yol olduğunu göstermesi nedeniyle bir güç olarak değerlendiriyoruz. Özellikle bulgularımız, Habchi ve ark.'nın geometri duyarlı Bandelet Dönüşümü çerçevesi31 ve Xu ve ark.'nın transfer öğrenimi kıstasları gibi derin öğrenme tabanlı yaklaşımları da tamamlamaktadır; bu yaklaşımlar, kantitatif hemodinamik biyobelirteçlerden ziyade konvansiyonel B-mod görüntü sınıflandırmasına odaklanmaktadır33—ki bunlar tümör biyolojisinin farklı yönlerini yakalayan, temelden farklı girdi modaliteleridir.
Sonuçlarımız, beş değerlendirme sınıflandırıcısının performansı arasında önemli farklar olduğunu göstermektedir. SVM, ortalama doğruluk (0.686 ± 0.120) ve ROC-AUC (0.690 ± 0.164) açısından en iyi performansı sergilemiş ve çapraz doğrulamada en düşük standart sapmaya sahip olarak küçük örneklemli görevlerdeki güçlü performansını kanıtlamıştır. Havuzlanmış OOF doğrulaması, SVM'nin duyarlılığının %84,2 (38 malign nodülün 32'si doğru tanımlanmıştır) olduğunu ve tüm modeller arasında en yüksek olan 0.753 F1 skoruna sahip olduğunu teyit etmiştir. Atlanan bir tanının ciddi sonuçlara yol açabileceği klinik uygulamalarda, bu güçlü tespit yeteneği önemli bir değere sahiptir. Ancak özgüllük yalnızca %50,0 (30 benign nodülün 15'i yanlış sınıflandırılmıştır) düzeyindedir ve bu durum dikkatli bir yorumlama gerektiren bir örüntüdür. Bu düşük özgüllük, muhtemelen veri setimizin yüksek boyutlu doğasını (30 benign örneğe karşı 25 öngörücü) yansıtmaktadır. Böylesine seyrek bir özellik alanında, SVM'nin karar sınırı, malign benzeri mikrovasküler özelliklere sahip birkaç benign nodülden orantısız şekilde etkilenmekte ve sınıflandırıcıyı, yanlış negatifleri minimize etmek için belirsiz vakaları malign olarak etiketleyen muhafazakar bir strateji benimsemeye zorlamaktadır. Klinik açıdan bakıldığında, bu ödünleşim tarama senaryolarında kabul edilebilirdir; zira PTC tanısının atlanmasının sonuçları, gereksiz bir FNAC'ın sonuçlarından çok daha ciddi olabilir. Gelecekteki araştırmalarda, özellikle daha fazla benign örnek ekleyerek daha geniş bir örneklem kohortuna öncelik verilmesi ve özgüllüğü artırırken duyarlılığı korumak için maliyet duyarlı öğrenme veya boyut indirgeme yöntemlerinin yeniden denenmesi en uygun yaklaşımdır.
RF, SVM'den daha düşük olan bir ortalama doğruluk (0.548 ± 0.176) sergilemektedir. Bununla birlikte RF, klinik karar destek sistemleri için değerli olan dengeli bir havuzlanmış OOF performansı (doğruluk %55,9, sensitivite %55,3, spesifite %56,7) göstermiştir. RF'nin safsızlık tabanlı önem sıralamasında ortalama MVD, ortalama akış hızı ve perfüzyon indeksi önde gelen değişkenler arasında yer almış ve bu durum anlamlı bir SRUS sinyaline işaret etmiştir. XGBoost ve Gradient Boosting orta düzeyde performans göstermiş; sınırlı örneklem boyutu (n = 68) ve muhafazakar regülarizasyon nedeniyle muhtemelen hiperparametre hassasiyetine bağlı olarak hiçbiri RF'den daha iyi performans sergilememiştir. DT, tek ağaç aşırı öğrenmesi (overfitting) nedeniyle beklendiği üzere, rastgele tahmine yakın düşük bir performans (doğruluk 0,429, ROC-AUC 0,447) göstermiştir. Özetle, sensitiviteyi maksimize etmek öncelik olduğunda SVM tercih edilirken, RF dengeli performans ve yorumlanabilirlik açısından avantajlar sunmaktadır; her iki yöntem de daha fazla araştırmaya ihtiyaç duymaktadır.
Odaklanmış SHAP analizi; mikrokalsifikasyon, kontrast sonrası genişleme ve kontrastlanma homojenliğini en önemli üç öngörücü faktör olarak belirlemiş, bunları cinsiyet ve kan akış hızı standart sapması, ortalama MVD ve ortalama iletim süresi dahil olmak üzere SRUS parametreleri izlemiştir. Konvansiyonel özellikler hakimdir, ancak SRUS parametreleri bağımsız ve ek bilgiler sağlamaktadır. SRUS göstergelerinin önemi, fiziksel avantajlarıyla tutarlıdır. Geleneksel Doppler'in çözünürlüğü ~200–300µm ile sınırlıyken, SRUS ~10 µm çözünürlüğe ulaşabilmektedir. Zhang ve ark., malign nodüllerin daha düşük akış hızına (9,86'ya karşı 16,76 mm/s, p < 0,01) ve MVD'ye sahip olduğunu doğrulayarak19 PTC'nin fibrotik ve lenfatik baskın biyolojisini yansıtmıştır. SHAP bulgularımız biyolojik olarak makul olup, TI-RADS kriterleri ile olan uyumluluğu klinik olarak anlamlı örüntü öğrenimini desteklemektedir8.
Doğru risk sınıflandırması, hasta bakımı ve klinik karar verme süreçleri üzerinde önemli etkilere sahiptir. Eğer yüksek riskli nodüller, SRUS görüntülemesinin ML analizi yoluyla belirlenebilirse, hastalar daha zamanında FNAC alabilir, bu da anksiyeteyi azaltır ve kanser ilerlemesini önler. Seçilmiş düşük riskli nodüller ise bunun yerine ultrasonla izlenebilir. Kantitatif mikrovasküler ölçümler, zamanla bu süreçteki geleneksel gözlemleri tamamlayabilir. Ancak, mevcut çalışma sınıflandırıcı çıktısının doktorların performansını artırıp artırmadığını, gereksiz FNAC prosedürlerini azaltıp azaltmadığını veya hasta sonuçlarını değiştirip değiştirmediğini test etmemiştir. Bu nedenle, model çıktıları henüz klinik kararlara yön vermemelidir. Aksine, bunlar prensip kanıtı sunan ve prospektif değerlendirme için temel oluşturan araştırma düzeyinde araçlar olarak görülmelidir. Analiz sırasında, tek bir hastaya ait tüm nodüller aynı katlamada (fold) kalmalı ve ön işleme, yalnızca o katlamanın eğitim bölümü kullanılarak uygulanmalıdır.
Bazı kısıtlamalar göz önünde bulundurulmalıdır. İlk olarak, bu çalışma; dış doğrulama yapılmamış, 63 hastadan alınan 68 nodülü kapsayan retrospektif, tek merkezli bir çalışmadır; küçük örneklem boyutu aşırı öğrenme (overfitting) riskini artırabilir. Bununla birlikte, hasta gruplu çapraz doğrulama belirli bir güvence sağlamaktadır. İkinci olarak, tüm referans etiketleri ameliyat sonrası histopatoloji yerine ultrason kılavuzluğundaki İİAB'den (FNAC) elde edilmiştir. İİABle sitolojik kanıt sağlanır ancak bu durum ameliyat sonrası histolojik onay ile eşdeğer değildir ve özellikle iyi huylu olarak etiketlenen nodüller arasında sınıflandırma hatasına yol açabilir; buna rağmen iyi huylu nodüllerin kapsamını sınırlandırmış ve tüm nodüllerde BRAFV600E gen testi uygulamışızdır. Üçüncü olarak, malign grup İİAB'de PTC olarak raporlanan nodüllerle sınırlandırılmıştır, bu da diğer tiroid malignitelerine yönelik genellenebilirliği kısıtlamaktadır. Dördüncü olarak, ek klinik faktörler (tiroid fonksiyonu, aile öyküsü) sistematik olarak kaydedilmemiştir. Son olarak, herhangi bir sistematik hiperparametre optimizasyonu, kalibrasyon analizi veya bağımsız görüntü tabanlı derin öğrenme karşılaştırması yapılmamıştır. Bu kısıtlamalara rağmen, bulgularımızın biyolojik olasılıkla ve mevcut literatürle tutarlılığı, geçerlilikleri konusunda güven vermektedir. Gelecekteki araştırmalar şunlara öncelik vermelidir: (1) ameliyat sonrası histopatolojinin olduğu daha büyük kohortlarda prospektif çok merkezli doğrulama; (2) SRUS'u elastografi ve konvansiyonel ultrason ile entegre eden çok modlu füzyon; (3) serum biyobelirteçleri, standardize edilmiş elde etme protokolleri ve kalite kontrol kriterleri34 ile özellik mühendisliği optimizasyonu.
Sonuç olarak, bu çalışma, tiroid nodüllerinin keşifsel sınıflandırmasını desteklemek amacıyla, geleneksel makine öğrenimi algoritmalarının kantitatif SRUS mikrovasküler ölçümlerine uygulanabilirliğini kanıtlamaktadır. SVM yüksek sensitivite ancak sınırlı spesifite göstermiş olup, bu durum onun tanısal bir alternatiften ziyade bir tarama yardımcısı olarak potansiyel rolünü desteklemektedir. Öncül nitelikte olsa da, bulgularımız tekrarlanabilir ve sızıntıya dayanıklı bir değerlendirme hattı oluşturmakta olup, daha geniş kohortlarda prospektif doğrulamayı gerekli kılmaktadır.
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.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Karar Ağacı sınıflandırıcı | scikit-learn | Sürüm 1.5.2 | Makine öğrenimi sınıflandırıcısı |
| İnce iğne aspirasyon biyopsi iğnesi | Ultrason eşliğinde İİAİ (İnce İğne Aspirasyon Biyopsisi) için kullanılır | ||
| Gradyan Artırma sınıflandırıcı | scikit-learn | Sürüm 1.5.2 | Makine öğrenmesi sınıflandırıcı |
| İntravenöz kateter | Kontrast madde uygulaması için kullanılır | ||
| Python | Python Software Foundation | Sürüm 3.11.9 | Makine öğrenmesi analizi için kullanılan programlama dili |
| Rastgele Orman sınıflandırıcı | scikit-learn | Versiyon 1.5.2 | Makine öğrenimi sınıflandırıcı |
| SHAP (permütasyon açıklayıcı) | SHAP Geliştiricileri | Sürüm 0.46.0 | Model açıklanabilirliği analizi |
| SonoVue kontrast maddesi | Bracco | CEUS/SRUS görüntüleme için ultrason kontrast maddesi | |
| Standart Ölçekleyici | scikit-learn | Sürüm 1.5.2 | SVM hattı için öznitelik standardizasyonu |
| Steril normal salin | Kontrast madde enjeksiyonu sonrası intravenöz yıkama için kullanılır | ||
| Tabakalı Grup K-Katlı Çapraz Doğrulama | scikit-learn | Sürüm 1.5.2 | Hasta gruplu çapraz doğrulama |
| Destek Vektör Makinesi (SVM) sınıflandırıcı | scikit-learn | Sürüm 1.5.2 | Radyal tabanlı fonksiyon çekirdek sınıflandırıcısı |
| U5-15LE lineer dizilimli transducer | VINNO Technology | U5-15LE | Lineer ultrason probu |
| ULTIMUS 9E ultrason sistemi | VINNO Teknolojisi | ULTIMUS 9E | B-mod, Renkli Doppler, CEUS ve SRUS görüntüleme için kullanılan ultrason görüntüleme sistemi |
| XGBoost | XGBoost Geliştiricileri | Sürüm 2.1.1 | Gradyan artırma çerçevesi |
Kaynaklar
- Mu C, et al. Mapping global epidemiology of thyroid nodules among general population: a systematic review and meta-analysis. Front Oncol. 2022;12:1029926.
- Moon JH, et al. Prevalence of thyroid nodules and their associated clinical parameters: a large-scale, multicenter-based health checkup study. Korean J Intern Med. 2018;33(4):753-62.
- Dean DS, Gharib H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab. 2008;22(6):901-11.
- Uppal N, Collins R, James B. Thyroid nodules: global, economic, and personal burdens. Front Endocrinol (Lausanne). 2023;14:1113977.
- Durante C, et al. The diagnosis and management of thyroid nodules: a review. JAMA. 2018;319(9):914-24.
- Lim H, Devesa SS, Sosa JA, Check D, Kitahara CM. Trends in thyroid cancer incidence and mortality in the United States, 1974-2013. JAMA. 2017;317(13):1338-48.
- Gharib H, et al. American Association of Clinical Endocrinologists, American College of Endocrinology, and Associazione Medici Endocrinologi medical guidelines for clinical practice for the diagnosis and management of thyroid nodules—2016 update. Endocr Pract. 2016;22(5):622-39.
- Tessler FN, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): white paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017;14(5):587-95.
- Petranović Ovčariček P, et al. The 2025 ATA guidelines for differentiated thyroid cancer—ten years of professional debate and measured progress. Eur J Nucl Med Mol Imaging. 2026;53(4):2213-6.
- Christensen-Jeffries K, et al. Super-resolution ultrasound imaging. Ultrasound Med Biol. 2020;46(4):865-91.
- Carmeliet P. Angiogenesis in health and disease. Nat Med. 2003;9(6):653-60.
- Zhang B, et al. Utility of contrast-enhanced ultrasound for evaluation of thyroid nodules. Thyroid. 2010;20(1):51-7.
- Rago T, Vitti P. Role of thyroid ultrasound in the diagnostic evaluation of thyroid nodules. Best Pract Res Clin Endocrinol Metab. 2008;22(6):913-28.
- Xia S, et al. Super-resolution ultrasound and microvasculomics: a consensus statement. Eur Radiol. 2024;34(11):7503-13.
- Song P, Rubin JM, Lowerison MR. Super-resolution ultrasound microvascular imaging: is it ready for clinical use? Z Med Phys. 2023;33(3):309-23.
- Errico C, et al. Ultrafast ultrasound localization microscopy for deep super-resolution vascular imaging. Nature. 2015;527(7579):499-502.
- Couture O, Hingot V, Heiles B, Muleki-Seya P, Tanter M. Ultrasound localization microscopy and super-resolution: a state of the art. IEEE Trans Ultrason Ferroelectr Freq Control. 2018;65(8):1304-20.
- Gao JY, Hou C. Progresses and clinical application of super-resolution ultrasound imaging: a narrative review. Ultrasound J. 2025;17(1):29.
- Zhang G, et al. Ultrasound super-resolution imaging for the differential diagnosis of thyroid nodules: a pilot study. Front Oncol. 2022;12:978164.
- Wildman-Tobriner B, et al. Using artificial intelligence to revise ACR TI-RADS risk stratification of thyroid nodules: diagnostic accuracy and utility. Radiology. 2019;292(1):112-9.
- Toro-Tobon D, et al. Artificial intelligence in thyroidology: a narrative review of the current applications, associated challenges, and future directions. Thyroid. 2023;33(8):903-17.
- Peng S, et al. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study. Lancet Digit Health. 2021;3(4):e250-9.
- Chen C, et al. Deep learning to assist composition classification and thyroid solid nodule diagnosis: a multicenter diagnostic study. Eur Radiol. 2024;34(4):2323-33.
- Bini F, et al. Artificial intelligence in thyroid field: a comprehensive review. Cancers (Basel). 2021;13(19):4740.
- Habchi Y, Kheddar H, Himeur Y, Ghanem MC. Machine learning and transformers for thyroid carcinoma diagnosis. J Vis Commun Image Represent. 2026;115:104668.
- Zhang M, Wang X, Deng Y, Tang K. Multimodal ultrasound integration pathways and paradigm innovations in precision diagnosis and treatment of thyroid cancer. Acad Radiol. 2026. Epub ahead of print.
- Feng JW, et al. Development and validation of the multidimensional machine learning model for preoperative risk stratification in papillary thyroid carcinoma: a multicenter, retrospective cohort study. Cancer Imaging. 2025;25(1):98.
- Gatta E, et al. Machine learning for diagnosis of malignant thyroid nodules based on thyroid ultrasound: systematic review and meta-analysis of studies with external datasets. Eur J Radiol Open. 2026;16:100716.
- Li J, Guo Q, Peng S, Tan X. Super-resolution based nodule localization in thyroid ultrasound images through deep learning. Curr Med Imaging. 2024;20(1):e15734056269264.
- He S, et al. Super-resolution ultrasound radiomics for pre-FNA prediction of nondiagnostic (Bethesda I) thyroid nodules. Front Endocrinol (Lausanne). 2026;17:1710097.
- Habchi Y, Kheddar H, Ghanem MC, Hwaidi J. Adaptive bandelet transform and transfer learning for geometry-aware thyroid cancer ultrasound classification. Diagnostics (Basel). 2026;16(4):554.
- Habchi Y, Kheddar H, Himeur Y. Adaptive bandelet transform and transfer learning for geometry-aware thyroid cancer ultrasound classification [conference paper]. In: 2024 International Conference on Telecommunications and Intelligent Systems (ICTIS). IEEE; 2024. p. 1-6.
- Xu Y, Xu M, Geng Z, Liu J, Meng B. Thyroid nodule classification in ultrasound imaging using deep transfer learning. BMC Cancer. 2025;25(1):544.
- Gou TH, et al. Application value of super-resolution ultrasound imaging in the diagnosis of American College of Radiology Thyroid Imaging Reporting and Data System category 4 and 5 thyroid nodules. Zhongguo Yi Xue Ke Xue Yuan Xue Bao. 2026. doi:10.3881/j.issn.1000-503X.16808.