临床上，约有10-67%的患者通过超声检查（US）发现甲状腺结节，常规使用基于US的风险分层系统（RSSs）来管理这些结节。这些系统最初是定性的，但有一个方案演变为定量系统，称为甲状腺成像报告和数据系统（TIRADS）。尽管各种TIRADS分类法在实践中得到了广泛的应用，但只区分了四或五个甲状腺结节的风险组。因此，一个单一的类别可以包含广泛的风险范围。一些研究者提出，需要更细化的RSS来优化和个性化甲状腺结节管理。细粒度的RSS可减少对低风险结节进行不必要的活检。

最近，基于人工智能（AI）的RSS已经被引入到甲状腺结节的管理中。许多研究探讨了此类系统在甲状腺癌诊断中的潜在作用，但大多数系统只产生二分法分类（良性与恶性）或四、五种TIRADS分类。通过可解释的基于人工智能的细粒度RSS，提高基于US的诊断的准确性和特异性，从而实现个性化的最佳结节管理、减少不必要的活检风险。基于机器学习（ML）的RSS使用预定义的临床放射学特征，如果与放射科医生的诊断工作流程相结合可提供潜在的定性及定量价值。

近日，发表在European Radiology杂志的一项研究利用预定义的临床放射学特征构建并验证了一个基于ML的恶性肿瘤风险估计模型，并评估了其在甲状腺结节管理方面的临床效用。

总共收集了5708个良性（n = 4597）和恶性（n = 1111）的甲状腺结节，这些结节来自26个机构中连续治疗的5081名患者。由17位经验丰富的放射科医生评估了超声图像上的结节特征。使用八个预测模型来根据恶性风险对甲状腺结节进行分层，并通过嵌套的10倍交叉验证来评估模型性能。使用一家三甲医院454个甲状腺结节的数据对表现最好的算法进行了外部验证，然后与基于甲状腺成像报告和数据系统（TIRADS）的放射科医生的解释（美国放射学会、欧洲和韩国TIRADS以及AACE/ACE/AME指南）进行比较。

这些算法的接受者操作特征（AUROC）曲线下的面积为0.773至0.862。表现最好的模型的敏感性、特异性、阳性预测值和阴性预测值分别为74.1-76.6%、80.9-83.4%、49.2-51.9%，以及93.0-93.5%。对于外部验证集，ElasticNet的数值分别为83.2%、89.2%、81.8%和90.1%。相应的TIRADS值分别为66.5-85.0%，61.3-80.8%，45.9-72.1%，和81.5-90.3%。新模型表现出明显高于TIRADS风险分层的AUROC和特异性，尽管其敏感性相似。

 图 反映研究提出系统和TIRADS分类的甲状腺癌诊断性能的接受者操作特征曲线的比较

本项研究构建了一个可靠的基于ML的预测模型以确定甲状腺结节恶性肿瘤的概率，有利于临床进行个性化的管理及患者分层。

原始出处：

Eun Ju Ha,Jeong Hoon Lee,Da Hyun Lee,et al.Development of a machine learning-based fine-grained risk stratification system for thyroid nodules using predefined clinicoradiological features.DOI:10.1007/s00330-022-09376-0