近日，中國科學院合肥物質院健康所李海研究員團隊在甲狀腺結節(jié)良惡性智能預測研究中取得新進展。相關研究成果發(fā)表在醫(yī)學影像分析領域專業(yè)期刊Computerized Medical Imaging and Graphics?(CMIG)上。

甲狀腺癌是內分泌系統和頭頸部最常見的惡性腫瘤。近年來，甲狀腺癌的發(fā)病率在全球范圍內增長迅速，中國尤為明顯。隨著超聲設備的普及，甲狀腺結節(jié)的良惡性判定成為甲狀腺癌診療的重要組成部分。當前的臨床實踐中，醫(yī)生依據超聲進行結節(jié)良惡性判斷，對高風險患者推薦進行超聲引導下細針穿刺活檢（US-FNAB）完成驗證。此種方法嚴重依賴醫(yī)生經驗，主觀性強且缺乏統一標準，容易產生漏診或誤診，尤其是針對?TI-RADS 4?類結節(jié)，作為惡性風險中等的 “灰色地帶”（其中 4a、4b、4c 惡性風險分別為5-10%、10-50%、50-85%），其良惡性鑒別更是臨床痛點 —— 過度活檢會讓良性患者承受不必要的創(chuàng)傷和并發(fā)癥風險，而漏診惡性則可能延誤治療。因此，如何用無創(chuàng)、客觀的手段提升診斷精準度，成為亟待突破的醫(yī)學難題。

隨著人工智能（AI）的發(fā)展，利用計算機輔助診斷（CAD）技術進行甲狀腺結節(jié)的自動篩查在臨床實踐中具有巨大潛力，可有效減少漏診和誤診風險。針對上述情況，科學島研究人員采用深度學習框架，整合B模式超聲（BMUS，顯示組織解剖結構）與應變彈性成像（SE，通過組織硬度反映病變性質），構建AI診斷模型，專門針對具有鈣化、低回聲、邊界不規(guī)則等高危特征的 TI-RADS 4 類結節(jié)，實現惡性風險的精準預測。實驗結果表明，該模型的AUC值在測試集和外部驗證集上分別達到了0.937和0.927，明顯優(yōu)于傳統單模態(tài)圖像模型。

為了驗證模型的臨床實用價值，該研究還將智能診斷模型與三組具有不同臨床經驗的放射科醫(yī)生（低年資、中年資、高年資）進行對比，研究發(fā)現：AI模型的預測性能顯著超過了放射科醫(yī)生。特別值得一提的是，當醫(yī)生借助模型輔助診斷時，三組醫(yī)生的診斷性能均有所提升，表明模型可作為臨床 “智能助手”，彌補由于醫(yī)生經驗差異帶來的診斷波動，提高臨床診斷的準確性和一致性。此外，模型生成的熱圖與放射科醫(yī)生診斷時關注的重點區(qū)域高度一致，進一步驗證了模型的臨床可解釋性和實用性。

該研究不僅為甲狀腺結節(jié)的精準診斷提供了新的思路，也為甲狀腺癌高風險人群的篩查和精準治療提供了有力的技術支持。研究團隊計劃將這一模型進一步應用于臨床實踐，助力提升甲狀腺癌早期篩查的效率和精度，提高我國甲狀腺癌的個性化精準管理能力。?

該論文的第一作者為健康所（中國科學院合肥腫瘤醫(yī)院）儲璇醫(yī)生，通訊作者是李海研究員、安徽醫(yī)科大學第一附屬醫(yī)院超聲科陳永超主任和王騰飛博士。本研究得到了國家自然科學基金和安徽省重點研發(fā)項目的支持。

文章鏈接：https://doi.org/10.1016/j.compmedimag.2025.102576

甲狀腺多模態(tài)圖像特征融合模型流程圖