Диагностика и стратификация фолликулярных новообразований щитовидной железы с использованием искусственного интеллекта: многоцентровое исследование

Почему это важно для людей с узлами щитовидной железы

Многие люди обнаруживают узлы щитовидной железы при плановом обследовании и затем вынуждены переживать недели в ожидании ответа, доброкачественное ли это образование или злокачественное. В данном исследовании изучается, может ли искусственный интеллект (ИИ) прочитать ультразвуковые изображения особой группы щитовидных образований — фолликулярных новообразований — точнее, чем человеческие эксперты, помогая пациентам избежать ненужных операций и одновременно не пропустить опасные опухоли.

Когда доброкачественное и злокачественное выглядят одинаково

Фолликулярные опухоли щитовидной железы бывают двух основных типов: аденомы, которые являются доброкачественными, и карциномы, способные инфильтрировать кровеносные сосуды и метастазировать. Под микроскопом и на УЗИ эти опухоли часто выглядят поразительно похоже. Даже опытным рентгенологам и патологам бывает трудно отличить их до операции, поэтому многие пациенты переносят удаление половины или всей щитовидной железы только для получения окончательного диагноза. Ставки высоки: некоторые карциномы малоинвазивны и имеют благоприятный прогноз, тогда как другие более агрессивны, поэтому точное определение типа влияет на объём операции и последующее наблюдение.

Обучение компьютера чтению УЗИ щитовидной железы

Исследователи собрали одну из крупнейших на сегодняшний день коллекций ультразвуковых изображений фолликулярных опухолей щитовидной железы, включающую данные 2 567 пациентов из 31 больницы по всей Китаю. Для каждого узла рентгенологи выделяли соответствующую область на стандартных черно‑белых УЗ‑изображениях. Современная система глубокого обучения на базе визуальной архитектуры ConvNeXt затем обучалась поэтапно. Сначала она училась отличать доброкачественные аденомы от карцином. Затем, среди карцином, система научилась сортировать их на менее инвазивные и более инвазивные подтипы, что примерно соответствует низкому, среднему и высокому риску заболевания. Команда протестировала разные виды ультразвуковой информации и обнаружила, что простые B‑mode изображения — стандартные градации серого — оказались более надежными для ИИ, чем цветные изображения кровотока, которые слишком сильно варьировались по качеству.

Как ИИ показал себя в реальных условиях

Чтобы понять, выдержит ли система проверку за пределами лабораторий, где её создавали, авторы протестировали её на трёх независимых группах пациентов из других больниц, каждая с разным соотношением доброкачественных и злокачественных опухолей. Во всех этих центрах ИИ последовательно демонстрировал высокую эффективность при разделении аденом и карцином, с показателями точности (AUC) примерно от 0,82 до 0,85. Он также успешно справлялся со сложной задачей классификации опухолей в три группы — доброкачественные, минимально инвазивные карциномы и более агрессивные инвазивные карциномы — при этом сохраняя высокую работоспособность во всех больницах. Важно, что модель показала сопоставимую эффективность у мужчин и женщин, при разных подходах к операции и в большинстве географических регионов, что указывает на её потенциальную применимость в широком клиническом контексте.

Работа рядом с рентгенологами, а не вместо них

Исследование также затронуло практический вопрос: помогает ли этот ИИ врачам принимать более обоснованные решения? Когда рентгенологи опирались только на устоявшиеся системы оценки УЗИ щитовидной железы, их результаты в идентификации карцином заметно уступали ИИ. При демонстрации вывода ИИ и его подсвеченных «карт внимания» на тех же изображениях их точность выросла и в некоторых случаях почти сравнялась с показателями компьютера. Больше всего выиграли молодые врачи, но и опытные специалисты получили преимущество. В то же время анализ случаев, где ИИ ошибался, выявил ключевую слабость: в этих изображениях система склонялась фокусироваться на областях за пределами истинной опухоли, а не на подозрительных внутренних признаках, что указывает на направления для дальнейшего совершенствования.

Что это может означать для пациентов

Проще говоря, эта работа показывает, что хорошо обученный ИИ может выступать в роли второй, очень последовательной пары глаз при интерпретации УЗИ щитовидной железы. Для пациентов с фолликулярными узлами такой инструмент может повысить вероятность своевременного распознавания опасной карциномы до операции и одновременно снизить риск чрезмерно агрессивного лечения при доброкачественной аденоме. Модель не готова заменить экспертную оценку и требует дальнейшей проверки в других странах и на более разнообразных группах пациентов. Но в составе рабочей станции УЗИ или интегрированного в сканер, она вскоре сможет помочь лучше адаптировать объём операции и наблюдение к реальному уровню риска конкретного человека, превращая когда‑то туманную область диагностики щитовидной железы в более ясный путь вперёд.

Цитирование: Li, J., Zhang, H., Zheng, H. et al. Artificial intelligence-enabled ultrasound diagnosis and stratification of follicular thyroid neoplasms: a multi-center study. npj Digit. Med. 9, 313 (2026). https://doi.org/10.1038/s41746-026-02489-6

Ключевые слова: ультразвуковое исследование щитовидной железы, фолликулярное новообразование, искусственный интеллект, стратификация риска рака, медицинская визуализация