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良惡性智能預測研究中取得新進展。相關研究成果發表在醫學影像分析領域專業期刊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，醫生依據超聲進行結節良惡性判斷，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，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傷和并發癥風險，而漏診惡性則可能延誤治療。因此，如何用無創、客觀的手段提升診斷精準度，成為亟待突破的醫學難題。

隨著人工智能（AI）的發展，利用計算機輔助診斷（CAD）技術進行甲狀腺結節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、邊界不規則等高危特征的 TI-RADS 4 類結節，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，明顯優于傳統單模態圖像模型。

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生（低年資、中年資、高年資）進行對比，研究發現：AI模型的預測性能顯著超過了放射科醫生。特別值得一提的是，當醫生借助模型輔助診斷時，三組醫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生診斷時關注的重點區域高度一致，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院）儲璇醫生，通訊作者是李海研究員、安徽醫科大學第一附屬醫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項目的支持。

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

甲狀腺多模態圖像特征融合模型流程圖