超声人工智能联合TI-RADS分类在甲状腺结节鉴别诊断中的辅助价值

目的:探讨超声人工智能联合美国放射学会甲状腺影像与报告系统(TI-RADS)分类在甲状腺结节良恶性鉴别诊断中的价值。方法:回顾性分析860例(共920个结节)行甲状腺手术的患者,术前均行超声检查,并与术后组织病理学结果对照,比较人工智能、TI-RADS分类及两者联合诊断的效能,采用Kappa检验分析不同诊断方式的一致性。结果:人工智能、TI-RADS及联合检查诊断甲状腺恶性结节的准确率分别为78.80%(725/920)、80.98%(745/920)及85.00%(782/920);敏感度76.36%(252/330)、80.61%(266/330)及86.36%(285/330);特异度分别为80.17%(473/590)、81.19%(479/590)及84.24%(497/590)。ROC曲线分析人工智能、TI-RADS分类及联合诊断甲状腺恶性结节的AUC分别为0.783、0.792及0.853(Z=1.465,P=0.143)。结论:人工智能与TI-RADS分类对甲状腺结节均具有较高的诊断效能,联合诊断能更有效地鉴别甲状腺结节的良恶性。

基于CT的深度学习模型在甲状腺结节良恶性鉴别中的应用

目的:构建和验证一个用于CT自动识别甲状腺结节的深度学习模型,旨在提高CT医师对甲状腺结节的诊断水平。方法:从医院数据库中选取经手术病理证实的甲状腺结节患者672例,选取330例(其中恶性280例,良性病变50例)用于深度学习模型的训练,余342例用于模型验证,同时再由3名不同年资的CT医师进行诊断,并统计相关结果。结果:深度学习模型用于甲状腺结节的诊断准确率91.8%、敏感度84.5%、特异度87.8%,每例诊断时间为(0.30±0.02)s,均优于3名医师(均P<0.05)。结论:深度学习模型用于甲状腺结节的诊断具有较高的准确率、特异度和敏感度,可辅助CT医师实时诊断甲状腺结节。