基于ACR TI-RADS特征超声诊断甲状腺结节的人工智能模型
开发了一种基于美国放射学会甲状腺成像报告和数据系统的人工智能模型，用于区分恶性和良性结节以及识别结节特征。背景基于超声的甲状腺结节诊断具有主观性，并受放射科医生经验水平的影响。
目的开发基于美国放射学会甲状腺成像报告和数据系统特征的人工智能模型，用于诊断甲状腺结节和识别结节特征（以下简称 M TI-RADS），并比较 M TI-RADS、放射科医生和基于手术组织病理学分析的良性和恶性状态训练模型（以下简称 M Diag）。
材料和方法在这项回顾性研究中，包括来自 636 名连续患者（平均年龄，49 岁 ± 14 ；485 名女性）的 1588 个经手术证实的结节。M TI-RADS和 M Diag接受了 1345 个结节的美国图像（2018 年 1 月至 2019 年 12 月）的训练。在测试数据集（243 个结节，2019 年 1 月至 2019 年 12 月）上，使用 DeLong 方法和 McNemar 测试将 M TI-RADS的性能与 M Diag和具有不同经验水平的放射科医生的性能进行了比较。
结果M TI-RADS的受试者工作特征曲线下面积 (AUC) 和灵敏度分别为 0.91 和 83%（66 个结节中的 55 个），与有经验的放射科医师的结果没有显着差异 (0.93 [ P = .45]和 92% ）并超过了初级放射科医生（0.78 [ P < .001] 和 70% ）。M TI-RADS的特异性（87% ）高于经验丰富的放射科医生和初级放射科医生（80% 和 75% ）。M TI-RADS的 AUC高于 M Diag（分别为 0.91 和 0.84；P = .001）。在 243 个结节的测试集中，M TI-RADS与经验组的一致性率高于 M TI- RADS之间的一致性率和初级组的成分（分别为 79% [ n= 193] vs 73% [ n = 178]；P = .02），回声性（75% [ n = 183] vs 68% [ n = 166]；P = .04)，形状 (93% [ n = 227] vs 88% [ n = 215]；P = .04)，以及平滑或不明确的边缘 (72% [ n = 174] vs 63% [ n = 152]；P = .002)。
结论**** Hidden Message *****
页:
[1]