Классификация узлов щитовидной железы на основе глубокого обучения с учётом неопределённости в многомодальной ультразвуковой визуализации

Почему узлы щитовидной железы важны для всех

Мелкие узелки в щитовидной железе чрезвычайно распространены, особенно с возрастом. Большинство из них доброкачественные, но небольшая часть — злокачественная и требует своевременного лечения. В настоящее время врачи в основном опираются на ультразвуковое исследование и пункционные биопсии, чтобы отличить одно от другого. УЗИ безопасно и широко доступно, но интерпретация изображений может различаться у разных исследователей, из‑за чего некоторые пациенты подвергаются ненужным инвазивным процедурам, а у других диагноз может быть пропущен. В этом исследовании рассматривается, как сочетание нескольких видов ультразвука с системой искусственного интеллекта может повысить точность диагностики рака щитовидной железы и даже сообщать врачам, насколько компьютер уверен в своём ответе.

Рассмотрение одного и того же узла под разными углами

Ультразвук — это не один вид изображения. Стандартный B‑режим показывает форму и текстуру узла щитовидной железы. Эластография с сдвиговой волной даёт информацию о жёсткости ткани, которая часто отличается у доброкачественных и злокачественных образований. Цветной допплер высвечивает кровоток внутри и вокруг узла. Предыдущие исследования обычно фокусировались только на одном из этих видов или на простых комбинациях и не ясно учитывали, насколько надёжным является каждый источник информации при подаче в компьютерную модель.

Создание более умного и компактного ИИ для УЗИ щитовидной железы

Исследователи проспективно собрали изображения 506 узлов щитовидной железы у 422 пациентов, которым уже была запланирована биопсия в одном медицинском центре. Для каждого узла получали изображения в B‑режиме, эластографии с сдвиговой волной и цветном допплере на разных аппаратах одной семейства УЗ‑оборудования. Затем они спроектировали собственную сеть глубокого обучения, которая использовала компактный предобученный «скелет» для распознавания изображений и добавляла лёгкую «голову», адаптированную для медицинского ультразвука. Эта голова включала специальные слои, смешивающие различные способы извлечения признаков и механизмы внимания, что помогало модели сосредоточиться на наиболее информативных областях каждого изображения при сохранении относительно небольшой и эффективной архитектуры.

Позволить компьютеру признать свою неуверенность

Ключевая инновация исследования — стратегия объединения с учётом неопределённости. Вместо простого усреднения предсказаний трёх типов УЗИ система оценивает, насколько уверен каждый из каналов для конкретного пациента. Она делает это, прогоняя модель несколько раз с небольшими внутренними вариациями и измеряя стабильность предсказаний. Если одна модальность, например цветной допплер, даёт «шаткое» или непоследовательное предсказание, её влияние на окончательное решение уменьшается или вовсе обнуляется. Напротив, модальность, которая и точна, и уверена — как часто комбинация B‑режима и эластографии — получает больший вес. Это отражает то, как радиологи интуитивно больше доверяют чётким, качественным изображениям, чем шумным или неоднозначным.

Насколько хорошо работала система?

С применением строгой схемы перекрёстной проверки объединённая трёхмодальная система правильно классифицировала узлы щитовидной железы с точностью примерно 95 процентов и площадью под ROC‑кривой 0,97. Чувствительность — способность обнаруживать раковые образования — оказалась особенно высокой и составила 98 процентов, а специфичность для исключения рака достигла 92 процентов. Отдельные типы изображений и двухканальные комбинации показали худшие результаты, что подтверждает добавленную ценность многомодального ввода. Метод с учётом неопределённости также превзошёл более простые способы объединения предсказаний, особенно при работе с конфликтными или ненадёжными входами. В сравнении с многими известными моделями глубокого обучения, адаптированными к тем же данным, собственная архитектура сопоставима или лучше по показателям, несмотря на меньшее число слоёв и более компактную структуру.

Что это значит для пациентов и врачей

Для пациентов с узлами щитовидной железы эта работа указывает на будущее, в котором рутинное УЗИ могло бы давать не только бинарную оценку риска рака, но и понимание того, насколько надёжна эта оценка. Высокая уверенность в доброкачественном результате может помочь избежать ненужной биопсии, тогда как результат с высокой неопределённостью может инициировать дополнительную визуализацию, обращение за вторым мнением или более частое наблюдение. Хотя исследование проведено в одном центре и требует подтверждения в разных больницах и на разных аппаратах, результаты указывают, что сочетание нескольких видов ультразвука с системой ИИ, учитывающей неопределённость, может сделать диагностику рака щитовидной железы более точной и прозрачной, потенциально улучшая уход и уменьшая количество ненужных вмешательств.

Цитирование: 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

Ключевые слова: узлы щитовидной железы, ультразвуковая визуализация, глубокое обучение, диагностика рака, медицинский ИИ