Artificiell intelligens-baserad ultraljudsdiagnostik och stratifiering av follikulära sköldkörtelneoplasmer: en multicenterstudie

Varför detta är viktigt för personer med sköldkörtelknölar

Många upptäcker sköldkörtelknölar vid rutinundersökningar och får därefter oroliga veckor av väntan för att få veta om knölen är ofarlig eller cancerös. Den här studien undersöker om artificiell intelligens (AI) kan tolka ultraljudsbilder av en särskild grupp sköldkörteltillväxter — kallade follikulära neoplasmer — mer träffsäkert än mänskliga experter, vilket skulle kunna hjälpa patienter att undvika onödig kirurgi samtidigt som man säkerställer att farliga tumörer inte förbises.

När ofarligt och farligt ser likadant ut

Follikulära sköldkörteltumörer förekommer i två huvudformer: adenom, som är godartade, och karcinom, som kan invadera blodkärl och sprida sig. Både i mikroskopet och på ultraljudsundersökningar kan dessa tumörer ofta se slående lika ut. Även erfarna radiologer och patologer kan ha svårt att skilja dem åt före operation, vilket gör att många patienter genomgår borttagning av halva eller hela sköldkörteln bara för att få en säker diagnos. Insatsen är hög: vissa karcinom är bara svagt invasiva och har god prognos, medan andra är mer aggressiva, så att veta den exakta typen kan påverka hur omfattande operation och uppföljning patienten verkligen behöver.

Att lära en dator att läsa sköldkörtelultraljud

Forskarna samlade en av de största samlingarna av ultraljudsbilder av follikulära sköldkörtelknölar hittills, baserad på 2 567 patienter från 31 sjukhus i Kina. För varje nod markerade radiologer den relevanta regionen på standardiserade svartvita ultraljudsbilder. Ett modernt djupinlärningssystem, byggt på en visuell arkitektur känd som ConvNeXt, tränades sedan i steg. Först lärde det sig skilja godartade adenom från karcinom. Därefter lärde det sig, bland karcinomen, att sortera dem i mindre invasiva och mer invasiva undertyper, som grovt motsvarar lågt, medel- respektive högrisksjukdom. Teamet testade olika typer av ultraljudsinformation och fann att enkla B-lägesbilder — standard gråskalebilder — var mer tillförlitliga för AI:n än färgbildvisningar av blodflöde, som varierade för mycket i kvalitet.

Hur AI:n presterade i verkliga världen

För att se om systemet höll utanför laboratorierna där det utvecklats testade författarna det på tre oberoende patientgrupper från andra sjukhus, var och en med olika blandningar av godartade och elakartade tumörer. Över dessa center visade AI:n konsekvent stark prestanda vid separation av adenom från karcinom, med mått på noggrannhet (AUC-värden) runt 0,82–0,85. Det klarade sig också bra i den mer krävande uppgiften att rangordna tumörer i tre grupper — godartad, minimalt invasiv cancer och mer aggressiv invasiv cancer — och behöll hög prestanda över alla sjukhus. Viktigt är att modellen fungerade ungefär lika bra för män och kvinnor, för olika kirurgiska tillvägagångssätt och över de flesta geografiska regioner, vilket tyder på att den kan vara användbar i många kliniska miljöer.

Att arbeta tillsammans med, inte istället för, radiologer

Studien ställde också en praktisk fråga: hjälper denna AI faktiskt läkare att fatta bättre beslut? När radiologer endast använde etablerade poängsystem för sköldkörtelultraljud var deras förmåga att identifiera karcinom märkbart sämre än AI:ns. När de fick se AI:ns resultat och dess markerade ”attention maps” på samma bilder ökade deras noggrannhet och i vissa fall närmade sig datorns nivå. Nyutexaminerade läkare hade störst nytta, men även erfarna specialister fick en fördel. Samtidigt avslöjade analys av fall där AI:n hade fel en tydlig svaghet: i dessa bilder tenderade systemet att fokusera på områden utanför den verkliga tumören snarare än på de misstänkta inre dragen, vilket pekar på var ytterligare förbättringar behövs.

Vad detta kan innebära för patienter

Enkelt uttryckt tyder detta arbete på att en vältränad AI kan fungera som ett andra par mycket konsekventa ögon när läkare tolkar sköldkörtelultraljud. För patienter med follikulära sköldkörtelknölar skulle ett sådant verktyg kunna öka sannolikheten att en farlig karcinom upptäcks före operation, samtidigt som risken minskar att en ofarlig adenom leder till alltför aggressiv behandling. Modellen är inte redo att ersätta expertbedömning och behöver fortfarande testas i andra länder och mer varierade patientgrupper. Men som en del av en ultraljudsarbetsstation eller skanner skulle den snart kunna hjälpa till att anpassa operation och uppföljning efter varje persons verkliga risknivå, och göra en tidigare dunkel zon inom sköldkörteldiagnostik till en klarare väg framåt.

Citering: 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

Nyckelord: sköldkörtelultraljud, follikulär neoplasm, artificiell intelligens, riskstratifiering för cancer, medicinsk bilddiagnostik