Oparte na uczeniu głębokim klasyfikowanie guzków tarczycy z wykorzystaniem wielomodalnego obrazowania ultradźwiękowego uwzględniającego niepewność

Dlaczego guzki tarczycy są ważne dla każdego

Małe guzki w gruczole tarczowym są niezwykle powszechne, zwłaszcza z wiekiem. Większość jest niegroźna, ale niewielka część to nowotwory wymagające szybkiego leczenia. Obecnie lekarze głównie opierają się na badaniach ultrasonograficznych i biopsjach cienkoigłowych, by odróżnić zmiany łagodne od złośliwych. Ultrasonografia jest bezpieczna i szeroko dostępna, jednak jej interpretacja może różnić się między badaczami, co prowadzi do niepotrzebnych inwazyjnych badań u niektórych osób, a u innych do przeoczeń. W tym badaniu sprawdzono, jak połączenie różnych rodzajów ultrasonografii z systemem sztucznej inteligencji może uszczegółowić diagnozę raka tarczycy i dodatkowo poinformować lekarzy, jak bardzo pewna jest odpowiedź komputera.

Patrząc na ten sam guzek z kilku perspektyw

Ultrasonografia to nie tylko jeden rodzaj obrazu. Standardowa ultrasonografia w trybie B pokazuje kształt i strukturę guzka tarczycy. Elastografia falą ścinającą dodaje informacje o sztywności tkanki, która często różni się między zmianami łagodnymi a złośliwymi. Doppler kolorowy uwidacznia wzorce przepływu krwi wewnątrz i wokół guzka. Poprzednie badania zwykle koncentrowały się na jednym z tych widoków lub na prostych kombinacjach i nie traktowały w sposób jasny wiarygodności każdego źródła informacji przy wprowadzaniu go do modelu komputerowego.

Budowa mądrzejszej, oszczędnej AI do badań tarczycy

Naukowcy prospektywnie zgromadzili obrazy z 506 guzków tarczycy u 422 pacjentów, którzy już mieli zaplanowaną biopsję w jednym ośrodku medycznym. Dla każdego guzka pozyskano obrazy w trybie B, elastografię falą ścinającą oraz Doppler kolorowy z różnych urządzeń tej samej rodziny ultrasonografów. Następnie zaprojektowano niestandardową sieć głębokiego uczenia, która najpierw wykorzystała kompaktowy, wstępnie wytrenowany trzon rozpoznawania obrazów, a następnie dodała lekką "głowicę" dostosowaną do medycznej ultrasonografii. Ta głowica używała specjalnych warstw łączących różne sposoby ekstrakcji cech i mechanizmy uwagi, pomagając modelowi skupić się na najbardziej informatywnych obszarach każdego obrazu przy jednoczesnym utrzymaniu relatywnie niewielkiej i efektywnej architektury.

Pozwalając komputerowi przyznać, gdy jest niepewny

Kluczową innowacją badania jest strategia fuzji uwzględniająca niepewność. Zamiast po prostu uśredniać przewidywania z trzech rodzajów ultrasonografii, system ocenia, jak pewna jest każda gałąź dla danego pacjenta. Robi to przez wielokrotne uruchamianie modelu z niewielkimi wewnętrznymi wariacjami i mierzenie stabilności przewidywań. Jeśli jedna modalność, na przykład Doppler kolorowy, daje chwiejne lub niespójne odpowiedzi, jej wpływ na decyzję końcową jest zmniejszany lub nawet ustawiany na zero. Natomiast modalność, która jest zarówno trafna, jak i pewna—na przykład często połączenie trybu B i elastografii falą ścinającą—otrzymuje większą wagę. To odzwierciedla sposób, w jaki radiolodzy naturalnie bardziej ufają wyraźnym, wysokiej jakości obrazom niż zaszumionym lub niejednoznacznym.

Jak dobrze działał system?

Przy użyciu rygorystycznego projektu walidacji krzyżowej system łączący trzy modalności poprawnie klasyfikował guzki tarczycy z dokładnością około 95 procent i polem pod krzywą ROC równym 0,97. Czułość—zdolność wykrywania nowotworów—była szczególnie wysoka i wynosiła 98 procent, podczas gdy specyficzność wykluczania raka osiągnęła 92 procent. Pojedyncze rodzaje obrazowania i kombinacje dwu-modalne wypadały gorzej, co pokazuje, że wielomodalne wejście rzeczywiście wnosi wartość. Metoda fuzji uwzględniająca niepewność przewyższała także prostsze sposoby łączenia przewidywań, szczególnie w radzeniu sobie ze sprzecznymi lub niewiarygodnymi danymi. W porównaniach z wieloma dobrze znanymi modelami uczenia głębokiego zaadaptowanymi do tych samych danych, niestandardowa architektura dorównywała lub przewyższała ich wyniki mimo użycia mniejszej liczby warstw i bardziej kompaktowej budowy.

Co to oznacza dla pacjentów i lekarzy

Dla pacjentów z guzami tarczycy praca ta wskazuje na przyszłość, w której rutynowe badanie ultrasonograficzne może dostarczyć nie tylko oceny ryzyka raka w formie tak/nie, ale też informacji o tym, jak wiarygodne jest to oszacowanie. Wysoce pewne przewidzenie zmiany jako łagodne mogłoby pomóc uniknąć niepotrzebnych biopsji, podczas gdy wynik o dużej niepewności mógłby wywołać dodatkowe badania obrazowe, konsultację drugiej opinii lub bliższe obserwacje. Chociaż badanie przeprowadzono w jednym ośrodku i wymaga potwierdzenia w różnych szpitalach i na innych aparatach ultrasonograficznych, wyniki sugerują, że łączenie kilku widoków ultrasonograficznych z systemem AI uwzględniającym niepewność może uczynić diagnozę raka tarczycy zarówno dokładniejszą, jak i bardziej przejrzystą, potencjalnie poprawiając opiekę i zmniejszając liczbę niepotrzebnych procedur.

Cytowanie: Saini, M., Parvar, T.A., Velarde, M. et al. Deep learning-based classification of thyroid nodules using uncertainty-aware multi-modal ultrasound imaging. Sci Rep 16, 4938 (2026). https://doi.org/10.1038/s41598-026-35965-w

Słowa kluczowe: guzki tarczycy, obrazowanie ultradźwiękowe, uczenie głębokie, diagnoza nowotworowa, medyczna sztuczna inteligencja