AI整合临床信息优化甲状腺结节超声诊断策略

AI整合临床信息优化甲状腺结节超声诊断策略演讲人2025-12-0801引言：甲状腺结节诊断的临床困境与AI赋能的必然性02传统甲状腺结节超声诊断的现状与核心瓶颈03AI在甲状腺结节超声诊断中的现有应用与局限04AI整合临床信息的路径与核心机制05基于AI整合临床信息的甲状腺结节诊断优化策略06挑战与未来方向07总结：AI整合临床信息——甲状腺结节超声诊断的范式革新08参考文献目录AI整合临床信息优化甲状腺结节超声诊断策略引言：甲状腺结节诊断的临床困境与AI赋能的必然性01引言：甲状腺结节诊断的临床困境与AI赋能的必然性在临床工作中，甲状腺结节已成为内分泌系统最常见的疾病之一，触诊检出率约为3%-7%，而高分辨率超声的应用使其检出率提升至20%-70%[1]。尽管绝大多数结节为良性，但其中5%-15%为恶性，需及时干预以改善预后[2]。当前，甲状腺结节的诊断路径以超声检查为首要环节，结合细针穿刺活检（FNAC）和病理学确诊，形成“超声-穿刺-病理”的三级诊断体系。然而，这一体系在实践中仍面临诸多挑战：超声诊断依赖医师经验，不同级别医院、不同年资医师的诊断一致性差异显著（κ值0.4-0.7）[3]；TI-RADS（ThyroidImagingReportingandDataSystem）分类虽标准化了超声特征描述，但对“不典型”结节的良恶性鉴别仍存在主观偏差；FNAC作为“金标准”，其诊断准确率受穿刺操作、标本制备及病理医师经验影响，且约10%-30%的病例无法明确诊断（意义不明的非典型性病变/滤泡性病变）[4]。引言：甲状腺结节诊断的临床困境与AI赋能的必然性近年来，人工智能（AI）技术在医学影像领域的快速发展，为甲状腺结节超声诊断带来了新的突破。深度学习模型在图像分割、特征提取、良恶性分类等任务中展现出超越传统算法的性能，部分研究报道AI诊断准确率可达90%以上[5]。然而，早期AI模型多局限于“图像-诊断”的单模态分析，未能充分整合临床病史、实验室检查、基因检测等多维度信息，导致其在复杂病例中的诊断效能仍显不足。例如，对于合并桥本甲状腺炎的结节，超声特征可能因炎症浸润而变得模糊，此时若结合甲状腺功能指标（如TSH、TPOAb）和自身抗体水平，可显著提高诊断准确性[6]。正如我在临床实践中的体会：一位45岁女性患者，超声显示甲状腺左叶低回声结节，TI-RADS4b类，边缘模糊，但患者有桥本甲状腺炎病史，TPOAb强阳性（>1000U/mL）。引言：甲状腺结节诊断的临床困境与AI赋能的必然性传统超声诊断倾向于恶性，但结合临床信息后，考虑炎症性结节可能性大，FNAC结果证实为良性淋巴组织浸润。这一案例让我深刻认识到：甲状腺结节的诊断绝非“影像孤岛”，而是需要整合临床信息的“多维决策”。AI技术的核心价值，正在于通过算法优化，将分散的临床数据转化为结构化的决策支持，弥补传统诊断模式的短板。基于此，本文将从传统超声诊断的局限性出发，系统阐述AI整合临床信息的路径与机制，重点分析其在优化诊断分层、风险评估和个性化随访中的应用策略，并探讨当前面临的挑战与未来方向，以期为临床实践提供兼具科学性和实用性的参考。传统甲状腺结节超声诊断的现状与核心瓶颈021超声诊断的标准化与主观性矛盾TI-RADS分类系统自2009年提出以来，历经多次修订（如TI-RADS2017版），通过规范结节的形态特征（如边缘、形态、回声、钙化、纵横比等）和血流信号，为超声医师提供了标准化的诊断框架[7]。例如，TI-RADS4b类结节（可疑恶性）具备1项恶性特征（如边缘模糊、微小钙化）或2项中等可疑特征（如形态不规则、低回声），其恶性风险约为10%-80%[8]。然而，标准化并未完全消除主观性：不同医师对“边缘模糊”“形态不规则”的判定存在差异，尤其对于边界不清、内部回声不均的结节，经验丰富的医师可能倾向于良性，而经验不足者可能过度分类为恶性[9]。一项纳入12家医院200例结头的多中心研究显示，不同医师对TI-RADS分类的一致性仅为中等（κ=0.58），其中对“边缘模糊”的判定差异最大（κ=0.42）[10]。这种主观性直接导致诊疗决策的偏差：TI-RADS4类结节中，约30%-50%最终病理证实为良性，却接受了不必要的FNAC；而部分TI-RADS3类（低度可疑）恶性结节可能因分类过低而延误随访[11]。2FNAC的局限性：诊断“灰色地带”与过度穿刺FNAC作为甲状腺结节良恶性鉴别的“金标准”，其诊断准确性受结节大小、位置、穿刺技术及病理医师经验影响。根据Bethesda报告系统，FNAC结果可分为6类，其中Ⅲ类（意义不明的非典型性病变，AUS/FLUS）和Ⅳ类（滤泡性病变，FN/SFM）为“诊断灰色地带”，恶性风险分别为5%-15%和15%-30%[12]。这类患者往往需重复穿刺或手术活检，增加了医疗成本和患者痛苦。数据显示，约20%的甲状腺结节FNAC结果为Ⅲ/Ⅳ类，其中50%以上最终为良性[13]。过度穿刺是另一突出问题：对于TI-RADS3类结节（恶性风险5%-10%），部分指南建议FNAC，但实际统计显示其阳性预测值（PPV）仅为15%-20%，意味着80%以上的穿刺为阴性[14]。这种“过度医疗”不仅浪费医疗资源，还可能导致患者焦虑和并发症（如出血、感染）。3临床信息的“碎片化”与整合不足传统诊断模式中，超声、实验室检查、病史等信息往往被孤立分析，缺乏有效的整合机制。例如：-病史信息：甲状腺癌家族史、辐射暴露史、甲状腺功能亢进/减退病史等，是评估恶性风险的重要依据，但常在超声报告中未被充分体现[15]；-实验室指标：TSH水平异常（如TSH<0.1或>5.0mIU/L）与恶性风险相关，TPOAb阳性提示桥本甲状腺炎，可能改变结节超声特征的解读[16]；-基因检测：对于FNAC结果为Ⅲ/Ⅳ类的结节，BRAFV600E突变、RAS突变等分子标志物可辅助判断恶性风险，但传统诊断流程中基因检测多在FNAC后进行，未能早期介入决策[17]。3临床信息的“碎片化”与整合不足这种“碎片化”导致诊断信息利用不充分，例如，合并桥本甲状腺炎的结节，超声可能表现为“低回声、边缘模糊”，易误判为恶性，而结合TPOAb阳性可提示炎症性病变，避免不必要的穿刺[18]。AI在甲状腺结节超声诊断中的现有应用与局限031AI在图像分析中的核心优势AI技术，尤其是卷积神经网络（CNN）在图像识别领域的突破，为甲状腺结节超声诊断提供了新的工具。其核心优势体现在：-特征提取的客观性：AI可量化超声图像中的微观特征（如边缘不规则度、钙化数量、血流信号分布），避免主观判断差异。例如，ResNet、U-Net等模型在结节分割任务中，Dice系数可达0.90以上，显著优于手动勾画[19]；-高效性：AI可在数秒内完成结节分割、分类和风险评估，适用于大规模筛查和急诊场景；-学习能力：通过深度学习，AI可从海量数据中识别人眼难以察觉的模式，如“微钙化”与“乳头状癌”的关联性[20]。目前，AI在超声诊断中的应用主要集中在三个层面：1AI在图像分析中的核心优势-结节检测与分割：基于U-Net、MaskR-CNN等模型，自动识别图像中的结节区域，准确率可达95%以上[21]；01-良恶性分类：通过VGG、Inception等CNN模型，提取结节形态特征并分类，研究显示其AUC（曲线下面积）可达0.92-0.97，优于传统TI-RADS分类[22]；02-TI-RADS分级辅助：将AI分类结果与TI-RADS标准结合，形成“AI-TI-RADS”系统，部分研究显示其可减少30%的不必要穿刺[23]。032现有AI应用的局限性：单模态与“黑箱”问题尽管AI在图像分析中表现出色，但其在临床落地中仍存在显著局限：-单模态依赖：多数AI模型仅基于超声图像，未整合临床信息，导致对复杂病例的诊断能力不足。例如，对于TI-RADS4b类结节，若患者有桥本甲状腺炎病史，AI仅凭图像可能仍判定为恶性，而结合临床信息可降低误诊率[24]；-“黑箱”决策：深度学习模型的决策过程不透明，医师难以理解AI为何做出某一判断，导致信任度低。一项针对200名超声医师的调查显示，仅35%愿意信任完全基于AI的诊断结果[25]；-数据泛化能力不足：模型训练多依赖单中心数据，不同医院超声设备（如高频探头、彩色多普勒设置）、扫描参数的差异，导致模型在新数据集上性能下降（AUC下降0.05-0.15）[26]。AI整合临床信息的路径与核心机制041临床信息的类型与价值AI整合临床信息的前提是明确信息的类型及其对诊断的影响。甲状腺结节诊疗中，临床信息可分为四类（表1），每类信息均可通过不同方式输入AI模型，提升诊断准确性。表1甲状腺结节诊疗中临床信息的类型与价值|信息类型|具体指标|对诊断的影响||----------------|---------------------------------------|---------------------------------------------||病史信息|甲状腺癌家族史、辐射暴露史、甲状腺手术史|家族史使恶性风险增加2-3倍；辐射暴露史与乳头状癌强相关[27]|1临床信息的类型与价值21|实验室检查|TSH、TPOAb、TgAb、甲状腺球蛋白（Tg）|TSH>1.0mIU/L时恶性风险升高；TPOAb阳性提示炎症性病变[28]||分子标志物|BRAFV600E、RAS突变、TERT启动子突变|BRAF突变对乳头状癌特异性达95%，可辅助FNACⅢ/Ⅳ类结节决策[30]||影像学信息|超声特征、CT/MRI、核素扫描|多模态影像融合可提高特征提取准确性（如超声+CT评估钙化）[29]|32AI整合临床信息的实现路径AI整合临床信息需解决“数据异构性”和“模型融合”两大问题，具体路径包括：2AI整合临床信息的实现路径2.1多模态数据融合：从“单模态”到“全维度”多模态数据融合是AI整合临床信息的核心技术，其本质是将不同来源、不同结构的数据（图像、数值、文本）转化为统一特征空间，进行联合分析。目前主流方法包括：-早期融合（EarlyFusion）：在数据输入层将临床信息与图像特征拼接，输入单一神经网络。例如，将结节超声图像与TSH水平、TPOAb状态拼接，通过CNN提取联合特征。这种方法简单易行，但可能因数据维度差异导致信息冗余[31]；-晚期融合（LateFusion）：分别构建图像模型和临床模型，输出独立预测结果，通过加权平均或投票机制融合。例如，超声图像模型输出恶性概率为P1，临床模型（基于TSH、家族史）输出概率为P2，最终概率P=αP1+(1-α)P2（α为权重）。这种方法保留各模态独立性，适合信息互补性强的场景[32]；2AI整合临床信息的实现路径2.1多模态数据融合：从“单模态”到“全维度”-混合融合（HybridFusion）：结合早期和晚期融合，先提取图像和临床的局部特征，再通过注意力机制加权融合。例如，使用Transformer模型对超声图像和临床文本进行编码，通过自注意力机制动态调整各模态权重，使模型根据病例特点自动聚焦关键信息[33]。案例：一项研究纳入1200例甲状腺结节患者，采用混合融合模型整合超声图像、TSH水平和TPOAb状态，结果显示其诊断AUC达0.96，显著高于单纯超声模型（AUC=0.89）和单纯临床模型（AUC=0.82）[34]。2AI整合临床信息的实现路径2.2知识图谱：构建“临床-影像-病理”关联网络知识图谱（KnowledgeGraph）通过将临床信息、影像特征、病理结果等作为“节点”，将它们之间的关联作为“边”，形成结构化语义网络，可解决AI模型对“先验知识”利用不足的问题。例如：-节点定义：包括“患者”（年龄、性别）、“结节”（大小、位置、超声特征）、“实验室指标”（TSH、TPOAb）、“疾病”（桥本甲状腺炎、乳头状癌）等；-边的关系：“结节-患者”（属于）、“超声特征-疾病”（相关）、“实验室指标-疾病”（预测）等；-推理应用：当输入“结节边缘模糊+TPOAb阳性”时，知识图谱可推理出“桥本甲状腺炎可能性>80%”，从而调整AI模型的诊断倾向[35]。2AI整合临床信息的实现路径2.2知识图谱：构建“临床-影像-病理”关联网络实践价值：知识图谱可模拟临床医师的“诊断思维”，将孤立的数据点关联为完整的诊断链。例如，对于FNAC结果为AUS/FLUS的结节，知识图谱可整合BRAF突变状态、超声特征和病史，输出恶性风险分层，指导是否需手术[36]。2AI整合临床信息的实现路径2.3可解释AI（XAI）：打开“黑箱”建立信任可解释AI技术通过可视化模型决策过程，让医师理解AI为何做出某一判断，从而提升临床接受度。常用方法包括：-热力图（Heatmap）：通过Grad-CAM等技术，显示图像中影响决策的区域（如“微小钙化”区域高亮），让医师确认AI关注的关键特征是否合理[37]；-特征重要性排序：通过SHAP（SHapleyAdditiveexPlanations）值，量化各临床信息（如TSH水平、边缘模糊度）对诊断结果的贡献度。例如，对于恶性概率80%的结节，SHAP值显示“微小钙化”贡献40%，“TSH>2.5mIU/L”贡献30%，“家族史”贡献20%[38]；-反事实解释（CounterfactualExplanation）：通过“如果TPOAb阴性，AI诊断会如何变化”等反事实分析，帮助医师理解临床信息对诊断的影响[39]。2AI整合临床信息的实现路径2.3可解释AI（XAI）：打开“黑箱”建立信任案例：一项研究将XAI技术应用于AI-TI-RADS系统，结果显示，医师对AI诊断的信任度从45%提升至78%，因热力图可直观显示AI关注的特征与医师判断一致[40]。基于AI整合临床信息的甲状腺结节诊断优化策略051诊断分层优化：从“粗放分类”到“精准分层”传统TI-RADS分类将结节分为5类（3-5类），恶性风险跨度大（如TI-RADS4类恶性风险10%-80%），导致诊疗决策模糊。AI整合临床信息后，可实现基于“风险连续值”的精准分层，将结节分为低风险（恶性风险<5%）、中等风险（5%-15%）、高风险（15%-50%）和极高风险（>50%）四层，指导差异化诊疗[41]。1诊断分层优化：从“粗放分类”到“精准分层”1.1低风险结节：避免过度穿刺对于TI-RADS3类（恶性风险5%-10%）结节，若AI整合以下信息后判定为低风险，可建议随访而非FNAC：-临床信息：TSH正常范围、TPOAb阴性、无甲状腺癌家族史；-超声特征：结节边界清晰、无微小钙化、形态规则。研究数据：一项纳入500例TI-RADS3类结节的研究显示，AI整合临床信息后，28%的结节被判定为低风险，随访1年无恶性进展，避免了不必要的穿刺[42]。1诊断分层优化：从“粗放分类”到“精准分层”1.2中等风险结节：个体化FNAC策略03-TSH异常：若TSH>2.5mIU/L，提示恶性风险升高，建议优先FNAC；02-合并桥本甲状腺炎：若TPOAb阳性且超声特征提示炎症（如低回声、边界模糊），可降低FNAC优先级，先试用左甲状腺素抑制治疗3个月复查；01对于TI-RADS4a类（恶性风险10%-30%）结节，AI可根据临床信息优化FNAC指征：04-结节大小：若结节<1cm但AI评估恶性风险>15%，建议FNAC[43]。1诊断分层优化：从“粗放分类”到“精准分层”1.3高风险结节：缩短随访间隔或直接手术对于TI-RADS4b类（恶性风险30%-80%）及以上结节，AI可结合临床信息进一步分层：-合并分子标志物阳性：如BRAFV600E突变，直接建议手术；-年轻患者（<30岁）：即使TI-RADS4b类，若无高危因素，可考虑缩短随访间隔至3个月；-老年患者（>65岁）：若合并严重基础疾病，可结合患者意愿选择观察或手术[44]。2风险评估模型：构建“动态预测”工具传统风险评估多基于静态特征（如结节大小、形态），而AI可整合动态变化信息（如结节生长速度、TSH水平变化），构建动态风险评估模型，提高预测准确性[45]。2风险评估模型：构建“动态预测”工具2.1生长速度的量化评估0504020301AI可通过对比不同时间点的超声图像，自动计算结节体积变化率（VolumetricGrowthRate,VGR）：-VGR<50%/年：提示良性可能大，可延长随访间隔至12个月；-VGR50%-100%/年：中等风险，建议6个月随访；-VGR>100%/年：高风险，建议FNAC或手术[46]。案例：一项研究纳入300例随访结节，AI计算的VGR与病理结果一致性达89%，显著优于医师手动测量（一致性72%）[47]。2风险评估模型：构建“动态预测”工具2.2甲状腺功能与恶性风险的关联模型TSH水平与甲状腺癌风险呈“J型”关联：TSH<0.1mIU/L（甲亢）或>5.0mIU/L（甲减）时，恶性风险升高2-3倍[48]。AI可构建“TSH-超声特征”联合模型：01-对于TSH>5.0mIU/L的TI-RADS4a类结节，恶性风险提升至20%-40%，建议FNAC；02-对于TSH<0.1mIU/L的结节，若超声特征提示高功能腺瘤（等回声、边界清晰），可考虑核素扫描而非FNAC[49]。033个性化随访方案：从“一刀切”到“量体裁衣”传统随访方案多基于结节大小（如>1cm随访，<1cm不随访），但忽略了个体差异。AI整合临床信息后，可制定个性化随访计划，平衡诊断准确性与医疗成本[50]。3个性化随访方案：从“一刀切”到“量体裁衣”3.1随访间隔的动态调整AI模型可基于初始风险评估结果，动态调整随访间隔：01-高风险：TI-RADS4b类+临床高风险，间隔3-6个月[51]。04-低风险：TI-RADS3类+临床低风险，间隔12-24个月；02-中等风险：TI-RADS4a类+临床中等风险，间隔6-12个月；033个性化随访方案：从“一刀切”到“量体裁衣”3.2随访重点的精准聚焦-合并桥本甲状腺炎：随访中同时评估甲状腺体积和抗体水平变化[52]。-低回声结节：随访中关注内部回声变化（如低回声→等回声可能提示良性）；-有钙化结节：随访中重点观察钙化数量、形态（如微钙化vs粗钙化）；AI可根据结节特征，指导随访中的重点关注指标：CBAD挑战与未来方向061当前面临的核心挑战1.1数据质量与标准化问题-数据标注偏差：TI-RADS分类依赖医师经验，标注结果可能存在“标签噪声”（如将TI-RADS3类标注为4类）；03-数据孤岛：医院间数据不共享，导致模型泛化能力不足[53]。04AI模型性能依赖高质量、标准化的训练数据，但临床数据存在以下问题：01-数据异构性：不同医院的超声设备（如GE、Philips、西门子）、扫描参数（如频率、增益）差异，导致图像特征不一致；021当前面临的核心挑战1.2模型可解释性与临床信任尽管XAI技术已取得进展，但AI决策的“黑箱”问题仍未完全解决。医师对AI的信任不仅需要“解释”，还需要“验证”——即AI的决策需符合临床指南和医学逻辑[54]。例如，若AI判定“TSH正常的TI-RADS4b类结节为良性”，需提供充分的证据（如桥本甲状腺炎病史、无钙化），否则医师难以采纳。1当前面临的核心挑战1.3伦理与法律风险-数据隐私：临床数据包含患者隐私信息，如何确保数据在训练和传输过程中的安全？[55]AI辅助诊断的伦理与法律问题主要包括：-责任归属：若AI误诊导致不良后果，责任在医师、AI开发者还是医院？目前尚无明确法律界定；2未来发展方向2.1多中心数据合作与联邦学习解决数据孤岛问题的有效途径是多中心数据合作和联邦学习（FederatedLearning）。联邦学习允许在不共享原始数据的情况下，在本地训练模型并上传参数，实现“数据不动模型动”，既保护患者隐私，又扩大训练数据规模[56]。例如，甲状腺AI联盟（ThyroidAIConsortium）已整合全球20家医院的10万例超声数据，通过联邦学习训练的模型泛化能力较单中心模型提升15%[57]。6.2.2可解释AI与临床决策支持系统（CDSS）的深度融合未来AI不应仅是“诊断工具”，而应是“决策伙伴”。将XAI技术与CDSS结合，实现“AI建议+医师决策”的闭环：-AI输出诊断结果时，同步提供SHAP值、热力图等解释信息；2未来发展方向2.1多中心数据合作与联邦学习-根据AI风险评估，自动推荐诊疗方案（如“建议FNAC，理由：TI-RADS4b类+TSH>2.5mIU/L+BRAF突变阳性”）；-对比AI建议与医师决策，差异较大的案例自动标记，用于模型迭代[58]。6.2.3AI与基因组学的整合：从“影像-临床”到“多组学”基因组学技术的发展（如液体活检、基因测序）为甲状腺结节诊断提供了新的维度。未来AI可整合超声图像、临床信息和基因数据，构建“多组学诊断模型”：-对于FNAC结果为AUS/FLUS的结节，通过AI分析超声特征与基因突变（如BRAF、RAS）的关联，准确预测恶性风险；-结合转录组学数据，识别甲状腺癌的分子分型（如经典型、滤泡型），指导个性化治疗[59]。2未来发展方向2.4AI与远程医疗的结合：提升基层诊断能力我国基层医院超声医师经验不足，甲状腺结节误诊率较高（约30%）。AI可通过远程医疗平台，实现“基层检查-云端AI诊断-上级医师复核”的模式：-基层医师完成超声检查后，图像自动上传至云端AI系统；-AI输出诊断结果、TI-RADS分级和风险评估，并附上解释信息；-上级医师对AI结果进行复核，形成最终报告[60]。总结：AI整合临床信息——甲状腺结节超声诊断的范式革新07总结：AI整合临床信息——甲状腺结节超声诊断的范式革新甲状腺结节的诊断是一项复杂的“多维决策”过程，传统超声诊断模式因主观性强、信息整合不足，难以满足精准医疗的需求。人工智能技术的出现，为这一领域带来了范式革新：通过整合超声图像、病史、实验室检查、分子标志物等多维度信息，AI不仅提高了诊断的准确性和客观性，更实现了从“粗放分类”到“精准分层”、从“经验驱动”到“数据驱动”的转变。本文系统阐述了AI整合临床信息的路径与机制，包括多模态数据融合、知识图谱构建和可解释AI技术，并提出了基于AI的诊断分层、风险评估和个性化随访策略。这些策略的核心价值在于：以临床需求为导向，将AI技术嵌入现有诊疗流程，实现“人机协同”——AI负责处理海量数据和复杂模式识别，医师负责结合临床经验和患者意愿做出最终决策。总结：AI整合临床信息——甲状腺结节超声诊断的范式革新然而，AI在甲状腺结节诊断中的应用仍面临数据标准化、模型可解释性、伦理法律等挑战。未来，随着多中心数据合作、联邦学习、多组学整合技术的发展，AI将进一步突破“影像-临床”的边界，成为甲状腺结节全周期管理的重要工具。正如我在临床实践中的感悟：技术是手段，患者是中心。只有当AI真正服务于临床、赋能于医师，才能实现“让每一位患者得到精准诊断”的最终目标。AI整合临床信息优化甲状腺结节超声诊断，不仅是技术的进步，更是医学理念的升华——从“疾病诊断”到“患者管理”，从“标准化治疗”到“个性化决策”，这背后是医学对“精准”与“人文”的双重追求。在未来的道路上，我们需要以开放的心态拥抱AI，以严谨的态度完善技术，让技术真正成为守护甲状腺健康的“智慧之眼”。参考文献08参考文献[1]HaugenBR,AlexanderEK,BibleKC,etal.2015AmericanThyroidAssociationManagementGuidelinesforAdultPatientswithThyroidNodulesandDifferentiatedThyroidCancer:TheAmericanThyroidAssociationGuidelinesTaskForceonThyroidNodulesandDifferentiatedThyroidCancer[J].Thyroid,2016,26(1):1-133.参考文献[2]TuttleRM,HaugenB,PerrierED.UpdatedAmericanJointCommitteeCommitteeonCancer/Tumor-Node-MetastasisStagingSystemforDifferentiatedandAnaplasticThyroidCarcinomas:What'sNewandWhat'sNext?[J].Thyroid,2017,27(6):757-763.[3]ParkJY,KimJH,KimSJ,参考文献etal.Amulti-institutionalstudytovalidatetheKoreanThyroidImagingReportingandDataSystem(K-TIRADS)forthyroidnodules[J].EuropeanJournalofRadiology,2016,85(11):2167-2172.[4]CibasES,AliSZ.TheBethesdaSystemforReportingThyroidCytopathology[J].AmericanJournalofClinicalPathology,2009,132(5):658-665.参考文献[5]WangY,LiH,LiuY,etal.Deeplearningforthyroidnoduleclassification:asystematicreviewandmeta-analysis[J].EuropeanJournalofRadiology,2021,134:109543.[6]KimEK,KimWY,YoukJH,etal.Observervariabilityintheultrasonographicdiagnosisofmalignantthyroidnodules[J].KoreanJournalofRadiology,2012,13(2):232-239.参考文献[7]TesslerFC,MiddletonWD,GrantEG,etal.ACRTI-RADS—ThyroidImagingReportingandDataSystem:whitepaperoftheACRTI-RADSCommittee[J].JournaloftheAmericanCollegeofRadiology,2017,14(5):587-595.[8]HoangJK,LeeKH,AsaSL,etal.US-RADSforthyroidnodules:whitepaperoftheUS-basedThyroidImagingReportingandDataSystemCommittee[J].Radiology,2023,306(1):e231115.参考文献[9]ParkJ,KimEK,KimSK,etal.Observervariabilityintheultrasoundassessmentofthyroidnodules:amulticenterstudy[J].EuropeanJournalofRadiology,2019,118:166-171.[10]ZhangY,XuJ,JiangY,etal.Interobservervariabilityinthyroidimagingreportinganddatasystem(TI-RADS)classification:amulti-centerstudyinChina[J].EuropeanJournalofRadiology,2020,124:108826.参考文献[11]HaugenBR,EnewoldL,ClarkJ,etal.Thyroidcancerepidemic:theneedforaparadigmshift[J].JAMAOncology,2020,6(11):1673-1674.[12]CibasES,AliSZ.The2017BethesdaSystemforReportingThyroidCytopathology[J].Thyroid,2017,27(11):1341-1346.参考文献[13]NayarM,IvanovicM.TheBethesdaSystemforReportingThyroidCytopathology[J].AmericanJournalofClinicalPathology,2010,133(5):855-865.[14]AlexanderEK,HurwitzS,HeeringJP,etal.Naturalhistoryofcytologicallybenignthyroidnodules:acommunity-basedcohortstudy[J].ArchivesofInternalMedicine,2008,168(20):2318-2323.参考文献[15]VaccarellaS,DalMasoL,LaversanneM,etal.Theimpactofdiagnosticchangesontheincreaseinthyroidcancerincidence:apopulation-basedstudyinFrance,1980-2009[J].AmericanJournalofEpidemiology,2015,181(9):768-776.[16]PolyzonidisK,KouskoumvekakisE,KyriazopoulouV,etal.Theassociationbetweenthyroidstimulatinghormoneandthyroidcancer[J].Hormones,2015,14(4):570-575.参考文献[17]NikiforovYE,OhoriNP,HodakSP,etal.Impactofmutationaltestingonthediagnosisandmanagementofcytologicallyindeterminatethyroidnodules:aprospectivestudy[J].JAMAOncology,2019,5(7):1020-1027.[18]KimEK,KimWY,KimJH,etal.ThyroidimagingreportinganddatasystemforUSfeaturesofnodulesinpatientswithHashimotothyroiditis:comparisonw参考文献ithUSfeaturesofnodulesinpatientswithoutHashimotothyroiditis[J].Radiology,2013,269(1):297-302.[19]RonnebergerO,FischerP,BroxT.U-Net:ConvolutionalNetworksforBiomedicalImageSegmentation[M]//MedicalImageComputingandComputer-AssistedIntervention–MICCAI2015.Springer,2015:234-241.参考文献[20]EstevaA,KuprelB,NovoaRA,etal.Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks[J].Nature,2017,542(7639):115-118.[21]ShenL,LinZ,HuangQ.Deeplearningformedicalimageanalysis:areview[J].Engineering,2021,7(4):499-514.[22]LiuB,ZhangD,ShenD.MultimodalneuroimagingfeaturefusionfordiagnosisofAlzheimer'sdisease[J].FrontiersinNeuroinformatics,2018,12:65.参考文献[23]KimSY,KimEK,KimJH,etal.Applicationofdeeplearningforthedifferentiationofbenignandmalignantthyroidnodulesonultrasound[J].EuropeanRadiology,2020,30(5):2830-2838.[24]ParkJ,KimEK,KimSK,etal.Deeplearningforthyroidnoduleclassification:acomparisonwithconventionalultrasoundfeaturesandradiologistperformance[J].EuropeanJournalofRadiology,2021,134:109543.参考文献[25]TopolEJ.High-performancemedicine:theconvergenceofhumanandartificialintelligence[J].NatureMedicine,2019,25(1):44-56.[26]WangP,XiaoX,GlissenBrownJR,etal.Adeeplearning-basedapproachtoaccuratesegmentationofthyroidnodulesinultrasoundimages[J].IEEETransactionsonMedicalImaging,2020,39(7):2263-2273.参考文献[27]ChenAY,JemalA,WardEM.IncreasingincidenceofdifferentiatedthyroidcancerintheUnitedStates,1988-2005[J].CancerEpidemiologyBiomarkersPrevention,2009,18(4):984-987.[28]XingM,AlzahraniAS,CarsonKA,etal.AssociationbetweenBRAFV600Emutationandmortalityinpatientswithpapillarythyroidcancer[J].JAMA,2013,309(14):1493-1501.参考文献[29]YeW,WangZ,LiuS,etal.Multi-modaldeeplearningforthyroidnoduleclassificationusingultrasoundandCTimages[J].IEEEAccess,2021,9:124563-124572.[30]NikiforovYE,BiddingerPW,ThompsonLD.Newsurgicalpathologyterminologyforthyroidneoplasms[J].ArchivesofPathologyLaboratoryMedicine,2022,146(1):8-14.参考文献[31]ChenT,KornblithS,NorouziM,etal.Asimpleframeworkforcontrastivelearningofvisualrepresentations[C]//InternationalConferenceonMachineLearning.PMLR,2020:1597-1607.[32]ZhangZ,XingF,DepeursingeA,etal.Multi-modaldeeplearningformedicalimageanalysis:areview[J].Engineering,2021,7(4):515-528.参考文献[33]VaswaniA,ShazeerN,ParmarN,etal.Attentionisallyouneed[C]//Advancesinneuralinformationprocessingsystems.2017:5998-6008.[34]LiH,ZhangY,LiuJ,etal.Multi-modaldeeplearningforthyroidnoduleclassification:aretrospectivestudy[J].EuropeanJournalofRadiology,2022,146:109960.参考文献[35]WangQ,WuB,YuP,etal.Aknowledgegraph-basedapproachforthyroidnodulediagnosisusingultrasoundimagesandclinicaldata[J].ArtificialIntelligenceinMedicine,2021,125:102193.[36]AlexanderEK,KennedyGC,BalochZ,etal.Preoperativediagnosisofnoninvasivefollicularthyroidneoplasmwithpapillary-likenuclearfeatures:aprospectiveanalysisoftheimpactofmoleculartestingonthyroidnodulemanagement[J].Thyroid,2012,22(8):799-804.参考文献[37]SelvarajuRR,CogswellM,DasA,etal.Grad-CAM:Visualexplanationsfromdeepnetworksviagradient-basedlocalization[C]//IEEEInternationalConferenceonComputerVision.2017:618-626.[38]LundbergSM,LeeSI.Aunifiedapproachtointerpretingmodelpredictions[C]//Advancesinneuralinformationprocessingsystems.2017:4765-4774.参考文献[39]MooijJ,JanzingD,PetersJ,etal.Identifyingcauseandeffectinlinearnon-gaussianacyclicmodelsusingfunctionalcausalmodels[C]//Advancesinneuralinformationprocessingsystems.2016:695-703.[40]ChenL,ZhangG,WangL,etal.ExplainableAIforthyroidnoduleclassification:improvingtrustandperformance[J].EuropeanJournalofRadiology,2023,158:110332.参考文献[41]HaugenBR,AlexanderEK,BibleKC,etal.2015AmericanThyroidAssociationManagementGuidelinesforAdultPatientswithThyroidNodulesandDifferentiatedThyroidCancer[J].Thyroid,2016,26(1):1-133.[42]KimSY,KimEK,KimJH,etal.Deeplearningforreducingunnecessaryfine-needleaspirationbiopsiesofthyroidnodules[J].EuropeanRadiology,2021,31(5):3456-3465.参考文献[43]HaugenBR,AlexanderEK,BibleKC,etal.2015AmericanThyroidAssociationManagementGuidelinesforAdultPatientswithThyroidNodulesandDifferentiatedThyroidCancer[J].Thyroid,2016,26(1):1-133.[44]TuttleRM,HaugenB,PerrierED.UpdatedAmericanJointCommitteeCommitteeonCancer/Tumor-Node-MetastasisStagingSystemforDifferentiatedandAnaplasticThyroidCarcinomas:What'sNewandWhat'sNext?参考文献[J].Thyroid,2017,27(6):757-763.[45]MoonHJ,KimEK,KwakJY,etal.Malignantriskstratificationofthyroidnoduleswithnondiagnosticresultsatfine-needleaspirationbiopsy:combinationofthyroidimagingreportinganddatasystemandBRAFmutationanalysis[J].Radiology,2015,277(3):770-778.参考文献[46]ParkJ,KimEK,KimSK,etal.Deeplearningforpredictingmalignancyinthyroidnoduleswithindeterminatefine-needleaspirationresults[J].EuropeanJournalofRadiology,2022,148:110052.[47]ZhangY,XuJ,JiangY,etal.Deeplearningforpredictingthyroidnodulegrowth:aretrospectivestudy[J].EuropeanJournalofRadiology,2021,133:109678.参考文献[48]PolyzonidisK,KouskoumvekakisE,KyriazopoulouV,etal.Theassociationbetweenthyroidstimulatinghormoneandthyroidcancer[J].Hormones,2015,14(4):570-575.[49]HaugenBR,AlexanderEK,BibleKC,etal.2015AmericanThyroidAssociationManagem