甲状腺结节是内分泌系统疾病的常见形式，表现为甲状腺细胞异常增生，发病率高达68%。大多数甲状腺结节是良性的且风险较低，有效治疗的关键在于准确诊断甲状腺结节的良恶性。超声已被广泛认为是诊断甲状腺结节的最佳成像方法。然而，在临床诊断中，超声特征的评估严重依赖于放射科医生的丰富经验和可用的超声设备。

既往研究已证实人工智能（Artificial Intelligence，AI）模型在辅助临床医生进行甲状腺结节风险评估与治疗决策方面具有潜在价值。深度学习（Deep Learning，DL）技术在甲状腺结节分割中亦取得理想效果，其分割精度已达到临床应用标准。本研究开发了一种基于深度学习的超声诊断工具（Thyroid Nodules Visualization，TNVis），该工具通过利用大规模标注的二维静态超声图像数据集，旨在突破现有人机交互模式的局限，探索三维辅助诊断新范式。基于此目标，本研究进一步探究了放射科医师在使用TNVis解读静态超声图像与动态超声视频时，其诊断效能是否能够得到有效提升。

图1:TNVis 系统概况

本项多中心研究共纳入了4,569例病例用于框架开发（其中良性结节共2072个，恶性结节2497个），并采用七家医院的数据进行诊断验证。研究结果显示，与经典卷积神经网络（Convolutional Neural Network，CNN）模型相比，TNVis在几乎所有分割指标上都表现出更优越的性能。具体而言，作为主要评价指标的Dice相似系数（Dice Similarity Coefficient，DSC）达到了0.90，显著高于Attention Unet的0.88（P = 0.007）和Unet++的0.88（P < 0.001）。在动态超声视频方面，与传统CNN方法相比，使用TNVis获得的甲状腺结节可视化结果更加连续和平滑，取得了满意的效果。

图2：甲状腺结节的可视化结果

在评估TNVis辅助诊断的验证中，第一阶段放射科医生的AUC为0.66（95% CI：[0.63, 0.69]），在TNVis部分性能的第二阶段，AUC增加到0.72（95% CI：[0.69, 0.75]；P < 0.001），在TNVis全性能的第三阶段，AUC进一步提高到0.79（95% CI：[0.77, 0.82]；P < 0.001）。在TNVis的帮助下，初级放射科医生的准确性从0.59提高到0.77，k值从0.18增加到0.54，比资深放射科医生的进步更大。在雷达图中，更明显的是，三名初级放射科医生在每个指标上的改善都大于三名资深放射科医生。此外，根据Delong测试，第三阶段每位放射科医生的AUC与第一和第二阶段相比有显著差异（P < 0.05）。对于每位初级放射科医生，第三阶段与资深放射科医生的AUC之间没有显著差异（P > 0.05）。

本研究也存在若干局限性。首先，用于训练和测试TNVis的数据集在良性和恶性结节的案例数量上存在不平衡，其中恶性结节的案例较多。这种不平衡可能会影响模型在区分良性和恶性甲状腺结节分割方面的准确性。在未来的工作中，研究团队计划进一步扩大数据集，以减轻数据不平衡的影响。此外，当前的TNVis系统虽然专注于甲状腺结节的检测、分割和3D可视化，但其功能尚不够强大。再者，在手术等更复杂的情况下，TNVis系统进行的3D重建可能无法充分捕捉结节的边缘，从而将其当前应用限制在诊断支持方面。

总之，本研究成功证明了基于3D可视化的甲状腺结节诊断的优势。TNVis系统利用两阶段深度学习框架，显著提高了放射科医生对良性和恶性甲状腺结节的诊断准确性，相信这项研究的结果将促进未来有关甲状腺结节3D可视化及其在临床应用中效用的研究。

原始出处：

Zhou, Y., Chen, C., Yao, J. et al. A deep learning based ultrasound diagnostic tool driven by 3D visualization of thyroid nodules. npj Digit. Med. 8, 126 (2025). https://doi.org/10.1038/s41746-025-01455-y

Tags： npj Digital Medicine：基于深度学习的甲状腺结节3D可视化工具显著提升诊断准确性