文献速递头颈甲状腺与浅表技术与安全US

深度学习预测临床淋巴结阴性甲状腺乳头状癌的颈部淋巴结转移

Deep learning predicts cervical lymph node metastasis in clinically node-negative papillary thyroid carcinoma.
PubMed 文献 · Insights Imaging · 2023-12-20

该回顾性研究基于两家医院1031例临床淋巴结阴性甲状腺乳头状癌患者的术前超声(BMUS与CDFI)及临床变量,构建ResNet-50集成深度学习模型预测颈部淋巴结转移,内部测试集AUC为0.86(95%CI 0.78-0.94),外部测试集AUC为0.77(95%CI 0.68-0.87),并在外部验证集上敏感度优于三位放射科专家平均值(0.75 vs 0.58,p=0.039)。

要点

  • 集成DCNN模型在内部测试集预测CLNM的AUC为0.86(95%CI 0.78-0.94),外部测试集为0.77(95%CI 0.68-0.87)。
  • 外部验证集上模型敏感度0.75 vs 专家平均0.58(p=0.039),准确度与特异度差异未达统计学显著。
  • 模型整合了临床变量(年龄、性别、肿瘤最大径)、BMUS与CDFI图像,较单一信息表现更优。

核心结论

  • 深度学习可基于常规超声图像与临床变量无创预测临床淋巴结阴性PTC的CLNM,在多机构数据集上准确度、敏感度与特异度与专家相仿。
  • 集成DCNN模型在两个测试集上的预测表现均优于三位放射科专家平均值。

研究设计与样本

  • 回顾性分析,纳入两家独立医院经病理确诊的临床淋巴结阴性PTC患者1031例、共2062幅匿名超声图像,收集时间为2016年3月1日至2019年8月1日。
  • 数据集A来自华中科技大学同济医院(942例、1884幅图像),按80%训练集(n=754)、10%验证集(n=94)、10%内部测试集(n=94)划分;数据集B来自湖北省肿瘤医院作为外部测试集(89例、178幅图像)。
  • 以ResNet-50分别训练BMUS与CDFI模型,临床变量(年龄、性别、肿瘤最大径)经logistic回归建模,再用bagging分类器集成;以手术切除淋巴结病理为参考标准。
  • 三位分别有11年、15年、5年经验的认证超声放射科医师独立盲法判读183例(内部测试集A 94例与外部测试集B 89例),参照ACR TIRADS并进行淋巴结转移概率定量预测。

关键影像表现/征象

  • Grad-CAM热图显示颜色越深提示CLNM可能性越大,模型关注与CLNM最相关的图像特征。
  • t-SNE降维显示最终卷积层特征对转移与非转移病灶呈现良好分离。
  • 专家判读采用五项阳性征象各占20%评分:肿瘤大于4 cm、包膜侵犯、微钙化、桥本甲状腺炎、内部血流;概率大于50%(即超过三项阳性征象)判为存在淋巴结转移。

诊断标准与关键数值

  • 内部测试集:集成模型准确度0.79(95%CI 0.69-0.86)、F1 0.79、AUC 0.86(95%CI 0.78-0.94)、敏感度0.83(95%CI 0.72-0.94)、特异度0.74(95%CI 0.62-0.87)。
  • 外部测试集:集成模型准确度0.72(95%CI 0.61-0.81)、F1 0.72、AUC 0.77(95%CI 0.68-0.87)、敏感度0.75(95%CI 0.61-0.86)、特异度0.69(95%CI 0.56-0.82)。
  • 内部测试集A模型 vs 三位专家平均:准确度0.79 vs 0.56(p=0.026)、敏感度0.83 vs 0.51(p=0.011)、特异度0.74 vs 0.61(p=0.051)。
  • 外部测试集B模型 vs 三位专家平均:准确度0.72 vs 0.59(p=0.074)、敏感度0.75 vs 0.58(p=0.039)、特异度0.69 vs 0.60(p=0.078)。

临床应用与阅片要点

  • 模型可在临床淋巴结阴性PTC患者中基于常规术前BMUS、CDFI及临床变量给出CLNM预测概率,作为风险分层的辅助工具。

局限性

  • 原文未报告局限性。
全文中译14 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2023 Dec 20;14:222. doi: 10.1186/s13244-023-01550-2

背景

作为全球最常被诊断的癌症之一,甲状腺癌的发病率在过去二十年中持续大幅上升[1]。甲状腺乳头状癌(PTC)是甲状腺最常见的恶性肿瘤,常易发生转移且侵袭风险高,尤其涉及颈部淋巴结转移(CLNM),其发生率可达40–90%[2]。CLNM作为死亡和复发的高危因素,与病理分期、预后及治疗指导密切相关。因此,临床医生面临的挑战是进行适当的诊断检查,然后为甲状腺癌患者权衡治疗策略。一般而言,超声(US)引导下细针穿刺细胞学检查(FNAC)或术中颈部淋巴结检查是确定CLNM的 definitive 金标准,但由于其有创性,可能导致术后并发症,且对临床淋巴结阴性甲状腺癌的敏感性和特异性较低[3]。

术前影像学评估因其便捷、全面和无创的特点而极具价值。作为美国甲状腺协会(ATA)推荐的首选影像学方法,超声在检测CLNM方面较计算机断层扫描(CT)具有更优越的优势[4]。然而,对于位于颈中央区的深部解剖结构,难以以足够满意的敏感性进行评估,导致大量CLNM被漏诊[5]。此外,伴有微转移的颈部淋巴结会因超声的假阴性特征进一步干扰真实诊断结果[6]。值得注意的是,原发甲状腺癌有许多可用的超声特征与CLNM相关。例如,原发肿瘤的大小和数量、肿瘤边缘不清以及桥本甲状腺炎(HT)的共存被报道为淋巴结状态的独立预测因素[7, 8]。包膜侵犯、微钙化和内部血流的存在也对CLNM有影响[9, 10]。此外,通过基于超声的剪切波弹性成像(SWE)和声辐射力脉冲(ARFI)弹性成像技术检测到的原发肿瘤硬度增强,可定量辅助预测甲状腺癌患者的CLNM[11, 12]。因此,若干研究尝试使用多变量逻辑回归模型开发经验证的列线图,以基于术前临床和影像学发现预测和量化CLNM的可能性,但传统机器学习方法因判别能力低且验证中缺乏可重复性而显示出不令人满意的结果[13–15]。此外,上述研究中使用的横断面设计无法确定风险与变量之间的因果关系,也人为地限制了CLNM的危险因素。

深度学习算法,尤其是深度卷积神经网络(DCNN),在识别图像细节方面表现出明显优势。与主要依赖预定义特征的传统机器学习算法相比,深度学习算法能够自动、定量地评估复杂的医学图像特征,并获得强大的图像识别能力,从而实现更高的诊断准确率[16]。尽管深度学习技术因其经过特定训练后具有快速、准确和可重复的优势,在肿瘤学的诊断、预后和治疗反应方面已被广泛应用,但文献中基于甲状腺癌医学图像预测淋巴结转移的研究却非常少[17, 18]。

既往研究已证明利用超声图像进行深度学习诊断淋巴结转移的可行性[19]。在本研究中,我们尝试探讨深度学习模型通过甲状腺癌结节的术前超声图像(B型超声(BMUS)、彩色多普勒血流成像(CDFI))以及原发性甲状腺癌的临床变量来预测中央区淋巴结转移(CLNM)的可行性。据我们所知,这是首个从原发性甲状腺癌超声图像中自动预测CLNM的深度学习系统。结果表明,所提出的深度学习神经网络取得了优于放射科医师的预测性能。基于超声成像的CLNM预测在临床上具有重要意义,因为一系列与CLSM密切相关的超声特征,如微钙化、边缘模糊和血流丰富,因此它们有助于实现精准医疗实践和个体化临床治疗。

方法

研究设计与数据集

本回顾性分析获得华中科技大学同济医学院机构审查委员会的伦理批准,并豁免知情同意要求(批准号:2019S876)。分析了两个独立数据集,包含经组织学证实、接受手术切除但临床淋巴结阴性(体格检查或影像学(CT/MRI))的PTC患者。我们首先在原发数据集A中开发并验证了用于内部测试的深度学习模型。随后在第二数据集B上评估了神经网络的泛化性和进一步的外部测试。此外,还研究了专家的评估,以比较其与深度学习的预测性能。所有纳入的甲状腺癌患者年龄均在18岁或以上,并接受了术前FNAC评估颈部LN、甲状腺手术和CLN病理评估。所有甲状腺癌患者均进行了CND。术前评估或术中冰冻切片证实至少为N1b的甲状腺癌患者同时接受了侧方淋巴结清扫。纳入标准如下:(1)病理证实的原发性PTC且临床淋巴结阴性,(2)可获得包括BMUS和CDFI的术前US图像,(3)图像质量足以进行分析,(4)手术治疗前未接受治疗。所有甲状腺US图像均从两家医院的甲状腺US成像数据库中收集,并以原始分辨率以DICOM格式存储。甲状腺和CLN的病理检查由各医院委员会认证的病理学家根据国际统一分类标准进行评估。部分患者进行了多次甲状腺US检查,仅纳入术前最近一次检查。对于每位患者,由同济医院和湖北省肿瘤医院的数名US放射科医生筛选出最典型的BMUS和CDFI图像用于图像质量控制。对于重复性、模糊、范围过大或过小、且放射科医生无法诊断为恶性的切面图像,将被筛除。US图像采用Philips(荷兰阿姆斯特丹;L12-5、VL 13–5和L18-5)和GE Healthcare(宾夕法尼亚州匹兹堡;LOGIQ S8、7、E9)制造的US设备生成。

深度神经网络

ResNet-50 DCNN模型分别在BMUS和CDFI图像上进行训练[20]。为训练该网络,我们采用随机梯度下降作为优化器,二元交叉熵作为损失函数,二元准确率作为度量函数,学习率为0.001,批大小为32,训练轮数为300。在训练过程中,所有图像均使用双线性插值统一调整为225×225像素的方形尺寸,然后通过水平翻转、垂直翻转、裁剪和缩放变换进行增强,以增加训练集的变异性并避免模型过拟合。使用来自ImageNet的预训练CNN权重来初始化我们模型的权重和偏置,并在训练过程中保持不变。训练后的模型基于图像输入特征(如图像像素)与相应输出标签(如转移或非转移)之间建立的映射关系对输入数据进行预测。临床变量(年龄、性别和肿瘤最大径)被输入到一个使用逻辑回归预测CLNM的单独模型中。此外,我们通过使用bagging分类器[21]结合临床变量逻辑回归模型、BMUS模型和CDFI模型的输出,建立了一种集成模型。在同一数据集上经过多次训练和验证后,选择准确率最高的模型作为最终集成模型。基于验证数据,使用Pratt算法对集成模型进行校准。该方法不需要计算转移函数,仅使用辅助数组Next,即模式串本身的特征向量[22]。图1展示了最终集成模型的架构。

图1 集成模型架构示意图 查看原图 ↗

专家评估

为获得临床专家在测试集上的诊断准确率,三位具有认证资格的经验丰富的超声放射科医师(J.W.X.、D.M.和J.J.T.,分别具有11年、15年和5年经验)独立判读了183例病例,包括内部测试集A(n = 94)和外部测试集B(n = 89)。他们对组织病理学结果不知情,仅获得每位患者的临床信息和相应的超声图像。判读包括两部分:一是基于美国放射学会甲状腺影像报告和数据系统(ACR TIRADS)[23]的定性分析,二是淋巴结转移概率(1–100%)的定量预测分析。阳性征象包括肿瘤大小大于4 cm、包膜侵犯、微钙化、桥本甲状腺炎(HT)和内血流的共存。这五个特征各占整体评分系统的20%。放射科医师根据每张图像的超声特征对转移可能性做出预测。如果可能性大于50%,即存在三个以上阳性征象,则认为存在淋巴结转移,反之则否。电子补充材料详细描述了ACR TIRADS、评分系统及其使用方法。

模型测试与统计分析

为了评估神经网络模型预测性能的泛化能力,采用两个独立数据集作为内部主要测试A(n = 94)和外部次要测试B(n = 89)进行验证。将深度卷积神经网络(DCNN)模型的预测结果与手术切除淋巴结的病理报告进行比较。绘制受试者工作特征(ROC)曲线以展示深度学习模型在鉴别淋巴结转移方面的预测能力。放射科医师的表现也在同一ROC曲线上以点标记,表示其敏感度和特异度。计算ROC曲线下面积(AUC)及其95%置信区间(CI),AUC之间的比较采用DeLong等人设计的方法[24]。此外,还报告了准确率、敏感度、特异度、阳性预测值(PPV)、阴性预测值(NPV)、F1评分和Kappa值,用于深度学习模型与放射科医师之间的比较。p值小于0.05被视为显著性阈值。

代码可用性

我们的DCNN模型实现基于Keras 2.3.1,以TensorFlow 2.0.0为后端[25]。所有模型均在配备两块NVidia 2080Ti GPU的计算机上进行训练。为使其他研究者能够利用其模型,建模和数据分析所使用的代码已在GitHub上公开,网址为https://github.com/MedicalDataAI/LNMP(ID: 8d22e54)。

结果

基线特征

我们回顾性收集了2016年3月1日至2019年8月1日期间中国约两家医院的1031例甲状腺乳头状癌(PTC)的2062张匿名超声图像作为数据集,包括中国湖北同济医院(数据集A,来自942例患者的1884张图像)和中国湖北湖北省肿瘤医院(数据集B,来自89例患者的178张图像)。图2显示了患者招募流程,表1展示了所有患者的临床特征。两个独立数据集共包含1031例临床淋巴结阴性的PTC,由491例无中央区淋巴结转移(CLN)患者的982张图像和540例有CLN患者的1080张图像组成。

图2 本研究患者招募流程图。PTC,甲状腺乳头状癌;BMUS,B型超声;CDFI,彩色多普勒血流成像;LNs,淋巴结 查看原图 ↗
表1 训练集、验证集和测试集的临床特征 查看原表 ↗

基于原发性甲状腺癌超声图像和临床变量预测中央区淋巴结转移(CLNM)的深度学习

为探索深度学习作为可靠预测CLNM的潜在解决方案,我们提出开发一种集成深度学习模型,基于原发性甲状腺癌BMUS、CDFI和临床变量进行训练,并以手术获得的CLN病理评估结果作为标签(图2)。为训练、验证和测试该模型,从中国湖北省两家独立综合性医院回顾性收集病例。来自同济医院的数据集A被随机分配到三个独立队列:一个用于算法开发(训练集,80%,n = 754),一个用于算法开发过程中的参数优化(验证集,10%,n = 94),一个用于算法测试(内部测试集,10%,n = 94)。另外对来自湖北省肿瘤医院的数据集B(n = 89)进行了外部测试。

集成DCNN模型取得了最佳结果

集成模型在结合乳腺超声(BMUS)、彩色多普勒血流成像(CDFI)图像和临床变量预测有无中央区淋巴结转移(CLNM)病例方面,较单一信息表现出更高的性能(表2a和表3a-b及图3a)。集成模型在主要内部测试集上获得的测试准确率为0.79(95% CI 0.69–0.86),F1分数为0.79,AUC为0.86(95% CI 0.78–0.94),灵敏度为0.83(95% CI 0.72–0.94),特异度为0.74(95% CI 0.62–0.87)。此外,深度卷积神经网络(DCNN)模型还应用于次要外部测试集以检验模型的泛化能力(表2b和表3c-d及图3b)。集成模型在次要测试集上取得了相当的 performance,准确率为0.72(95% CI 0.61–0.81),F1分数为0.72,AUC为0.77(95% CI 0.68–0.87),灵敏度为0.75(95% CI 0.61–0.86),特异度为0.69(95% CI 0.56–0.82)。

表2 四种模型和三位放射科医师根据测试集的性能 查看原表 ↗
表3 四种模型和三位放射科医师根据测试集的混淆矩阵 查看原表 ↗
图3 四种预测模型的受试者工作特征曲线及三位放射科医师的专家(特异度和灵敏度)点,分别针对(a)内部测试集A和(b)独立外部测试集B 查看原图 ↗

DCNN模型预测CLNM优于放射科医师

我们还比较了DCNN模型与具有至少6年诊断经验的人类专家的预测性能。如表2和表3所示,人类专家对CLNM的预测结果不令人满意。与三位专家的平均值相比,集成DCNN模型在数据集A上取得了更高的测试准确率(0.79 vs. 0.56,p = 0.026)、灵敏度(0.83 vs. 0.51,p = 0.011)和特异度(0.74 vs. 0.61,p = 0.051),在数据集B上取得了更高的准确率(0.72 vs. 0.59,p = 0.074)、灵敏度(0.75 vs. 0.58,p = 0.039)和特异度(0.69 vs. 0.60,p = 0.078)。为了进行更直观的比较,三位放射科医师在两个测试集上的特异度和灵敏度点被绘制在与图3相同的ROC空间中。在与人类专家组相同的特异度下,集成人工智能(AI)模型在两个测试集上均取得了更高的灵敏度。此外,与放射科医师的表现相比,集成AI模型获得了更高的准确率、阳性预测值(PPV)、阴性预测值(NPV)和F1分数。因此,基于原发性甲状腺癌超声图像和临床变量预测CLNM时,深度学习模型优于放射科医师,差异具有统计学意义。

DCNN模型的可解释性

为了更好地解释AI模型的预测,我们采用梯度加权类激活映射(Grad-CAM)方法,通过生成热图来可视化CLN最具指示性的图像区域[26]。特征热图从最后一个卷积层过滤得到,该层对CLN状态的预测变得透明,如图4所示。特征颜色越深,CLNM的可能性越大,这表明深度学习模型关注与CLNM相关的最具预测性的图像特征。此外,我们还采用t分布随机邻域嵌入(t-SNE)方法,通过将测试数据集中每张图像在预测节点之前深度神经网络最后一层的表示转换为按转移或非转移进行颜色编码,来说明整体预测效果。结果表明,与组织病理学诊断相比,CNN模型最终卷积层的t-SNE表示显示出转移性和非转移性病变的良好分离(图5)。

图4 四例临床淋巴结阴性PTC患者的代表性超声图像叠加模型解释热图,依次为(a)真阳性、(b)真阴性、(c)假阳性和(d)假阴性示例 查看原图 ↗
图5 训练集(a)B型超声(BMUS)和(b)彩色多普勒血流成像(CDFI)经t分布随机邻域嵌入(t-SNE)降维后的可视化。绿点代表颈部淋巴结非转移样本,蓝点代表颈部淋巴结转移样本 查看原图 ↗

讨论

基于深度学习的最新进展,在本研究中,我们开发了一种集成DCNN模型,用于自动预测临床淋巴结阴性PTC患者的CLNM,该模型直接使用标准原发性甲状腺癌超声图像及相关临床变量。令人鼓舞的是,所得模型在两个来自高度不同人群的数据集中预测CLNM的表现明显优于放射科医师,并在临床诊断中展现出其独特优势。在实践中,理想的AI模型应作为风险分层的预测工具,帮助临床医生了解病变的转移风险。凭借卓越的AUC(测试A为0.86,测试B为0.77)以及相比专家更高的准确率/特异性/敏感性,这些临床参数与超声图像结合的DCNN模型可能有潜力作为一种创新的CLNM预测生物标志物,以减少早期甲状腺癌患者的侵入性检查。

作为评估颈部淋巴结状态的一线诊断程序,超声(US)具有极高的诊断可行性,典型特征包括圆形、高回声、囊性变、轻度钙化和周边血管化,但在评估中央颈部的深部解剖间隙方面也表现出局限性[4, 5]。据报道,CT可作为克服超声诊断低灵敏度缺陷的替代方法[27, 28],但也受限于造影剂的高成本和碘吸收问题[29]。此外,对于临床淋巴结阴性的甲状腺癌,缺乏CLNM的可疑影像学特征将进一步困扰临床医生的决策支持。大量研究已证明,原发性甲状腺癌的若干超声特征与CLNM密切相关,并有可能改善术前淋巴结状态的评估[7, 9–12]。CLNM风险随原发肿瘤超声尺寸(> 7 mm)增大而增加[9]。特别是,若肿瘤大小超过4 cm,ATA指南建议对临床淋巴结阴性PTC行预防性中央颈清扫(CND)[29]。较高的血管化程度在很大程度上归因于肿瘤向淋巴结转移[30]。此外,甲状腺超声图像上检测到的微钙化[10]、HT[7]和包膜侵犯[9]也显示出对CLNM的预测意义。而且,肿瘤与甲状腺包膜前、后缘之间的距离越短,发生CLNM的风险越大[31]。遗憾的是,这种依赖经验的纯视觉评估可能带有个人主观性,放射科医生很难直接根据甲状腺癌病灶的这些超声特征对CLNM做出准确判断。

人工智能已取得相当大的进展,能够自动指示和展示复杂数据。目前医学影像中广泛应用的人工智能技术有两种,即传统机器学习和深度学习算法[16]。若干放射学研究已利用随机森林或支持向量机,基于超声影像组学预测CLNM[9, 15]。然而,这些预先定义的放射学特征通量低,且表现出较低的判别能力和可重复性。深度学习优于影像组学,因为它可以利用输入数据越来越抽象的表征,并增强对临床医生的决策支持[32]。近期,Lee等利用一种包含八个深度学习模型的新型计算机辅助诊断(CAD)系统,在术前增强CT上对甲状腺癌中的CLNM进行分类,ResNet50算法取得了最佳AUC为0.953[33],并在大型临床队列中验证了模型的诊断性能,Xception算法获得了最佳AUC为0.884[17]。然而,该系统不适用于临床淋巴结阴性的甲状腺癌患者。既往研究还提示,深度学习可利用CNN-全局平均池化(GAP)模型在超声中定位和区分转移性淋巴结[34]。尽管据报道内部测试准确率为83%,但缺乏外部测试集且队列规模较小,使其泛化性存疑。

与单一深度学习架构相比,最先进的集成深度神经网络在预测淋巴结转移方面取得了更优的性能,这是结合包括临床变量、BMUS和CDFI图像在内的更多实用信息的结果。若干临床变量,如年龄、性别和肿瘤最大径,被确定为影响疾病进展和预后的显著因素[35]。已知CLNM在年龄较小、肿瘤较大的女性PTC患者中更常见。除形态、回声和血流等典型可视化特征外,BMUS和CDFI模型还能额外提取大量人眼不可见的详细预测信息。基于单一肿瘤的多通道信息做出决策的潜力可以降低肿瘤异质性带来的挑战,这可能是提高预测准确性的关键。

ATA指南推荐对临床淋巴结阴性的PTC患者进行预防性CND管理,尤其是那些伴有甲状腺外侵犯(ETE)或肿瘤大小大于4 cm的患者[29]。然而,持续存在争议,因为仅两个特征远不足以准确预测精确的CLNM,这可能遗漏大部分亚临床CLNM或导致一些不必要的常规手术[36]。值得注意的是,预防性CND并不降低局部复发的频率,反而增加一系列并发症的发生率,如甲状旁腺功能减退和喉返神经损伤[37]。在最小化局部复发和再手术发生率的同时,应权衡损伤增加和感知获益不足的可能性。因此,识别更多CLNM危险因素并建立智能风险模型以对PTC患者进行分层,对于帮助评估预后和设计适当的治疗策略至关重要。我们精心设计的DCNN算法可以通过无创检查预测CLNM、筛选最可能淋巴结阳性的患者并最小化过度医疗带来的危害,从而实现这一具有临床意义的目的。自动预测程序减少了人为主观干预,有利于临床决策的制定。

本研究的一个局限性在于,集成模型尚未在临床环境中进行前瞻性验证,尽管我们正在筹划一项随机临床试验,但目前我们仅知晓一项全面回顾性试验的结果。在我们的研究中,仅利用了常规超声分类。纳入先进超声信息如声辐射力脉冲成像(ARFI)和剪切波弹性成像(SWE)可能进一步提高模型准确性。尽管内部和外部测试表明人群间具有良好的可迁移性,但与标准化相关的挑战仍然存在,正如不同超声扫描仪之间的差异所示。放射科医生之间在图像处理操作上也可能存在差异,因此建议采用标准操作规程以促进权威机构提供的数据一致性。深度学习的一个众所周知缺点是易于过拟合,尤其是在使用少量图像数据训练时。我们采用了数据增强和早停技术以保护模型免于过拟合,但大量数据对于训练深度卷积神经网络(DCNN)至关重要。尽管我们尽力提供了研究方法的细节,其他研究者可能仍难以复现本研究。为提高可重复性,我们将算法代码公开于GitHub以供其他研究使用。

结论

总之,我们利用深度学习结合临床变量、二维灰阶超声图像和彩色多普勒超声图像,开发了一个具有临床优势的淋巴结转移预测模型。该检测方法已在内部测试集和独立外部测试集中进行了广泛评估,其性能优于三位经验丰富的放射科医生,这表明该集成模型有望成为筛查临床淋巴结阴性甲状腺癌中中央区淋巴结转移(CLNM)的有效选择。经过进一步优化和校准,它有很大潜力作为强有力的辅助工具,促进临床环境中的术前决策。

补充信息

附加文件1。1. 美国放射学会甲状腺影像报告和数据系统(ACR TIRADS)简介。2. 评分系统简介。

引用

  1. Zhou LQ, Zeng SE, Xu JW, et al. Deep learning predicts cervical lymph node metastasis in clinically node-negative papillary thyroid carcinoma. Insights Imaging. 2023. PMID: 38117404. doi:10.1186/s13244-023-01550-2
  2. 全文:PMC10733258(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10733258/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。