深度学习结合超声与 CT，精准鉴别甲状腺 TI-RADS 3-5 类结节良恶性

为避免甲状腺 TI-RADS 3-5 类结节不必要活检，研究人员开展相关研究，发现该结合方法可精准分类结节。

　　甲状腺影像报告和数据系统（Thyroid Imaging Reporting and Data Systems，TI-RADS）中 3-5 类的甲状腺结节通常被认为存在不同程度的恶性风险，且风险从 TI-RADS 3 类到 5 类逐渐增加。虽然部分此类结节可通过细针穿刺（fine-needle aspiration，FNA）活检来判断性质，但该操作存在假阴性风险和固有并发症。为避免不必要的活检检查，研究人员探索了一种基于深度学习的超声图像结合计算机断层扫描（computed tomography，CT）来区分甲状腺 TI-RADS 3-5 类结节良恶性的方法。

研究人员选取经传统超声评估为美国放射学会（American College of Radiology，ACR）TI-RADS 3-5 类且术后有病理结果的甲状腺结节患者，在术前对其进行传统超声和 CT 检查。他们使用受试者工作特征曲线下面积（Area Under Curve，AUC）、敏感性、准确性和阳性预测值（positive predictive value，PPV）等指标，研究基于单独超声、单独 CT 以及两种成像方式结合的深度学习模型的有效性，同时比较联合方法与超声和 CT 人工读片的诊断效能。

研究共纳入 768 例患者的 768 个 TI-RADS 3-5 类甲状腺结节，其中恶性 499 例，良性 269 例。在甲状腺 TI-RADS 3-5 类结节的自动识别方面，深度学习结合超声和 CT 的 AUC（0.930；95% 置信区间：0.892，0.969）显著高于单独使用超声的 AUC（0.901；95% 置信区间：0.856，0.947）或单独使用 CT 的 AUC（0.776；95% 置信区间：0.713，0.840）。此外，联合成像方式的 AUC 也超过了放射科医生单独使用超声（AUC_mean 0.725；95% 置信区间：0.677，0.773）和单独使用 CT（AUC_mean 0.617；95% 置信区间：0.564，0.669）的评估结果。

综上所述，深度学习结合甲状腺超声和 CT 成像能够更准确、精确地对 TI-RADS 3-5 类结节进行分类。