机器学习和超声技术相结合可以用来诊断甲状腺结节

根据JAMA耳鼻喉科发表的新发现，将机器学习和超声技术相结合可以帮助医疗保健人员诊断甲状腺结节。
 

在评估甲状腺结节时，通常下一步是超声检查，活检和细针穿刺(FNA)检查。分子测试是另一种选择。但是AI能否在这些患者的风险分层中发挥关键作用?这正是研究人员想要探讨的问题。

费城托马斯·杰斐逊大学放射学副教授约翰·艾森伯里(John Eisenbrey)博士说：“机器学习是一种低成本，高效的工具，可以帮助医生更快地决定如何处理不确定的结节。”在准备好的陈述中。“在超声对甲状腺结节的遗传风险分层中，没有人使用过机器学习。”

该研究的作者训练了一种算法，该算法具有121位接受超声引导的细针穿刺活检和分子检测的患者的影像学发现。机器学习帮助算法“学习”了评估甲状腺结节时要寻找的内容，能够达到97%的特异性，90%的预测阳性值和77.4%的准确性。

托马斯·杰斐逊大学(Thomas Jefferson University)的共同作者伊丽莎白·科特里尔(Elizabeth Cottrill)表示：“这是外科医生和放射科医生之间如此重要的合作，其他机构也已经开始集中我们的资源。“我们提供给算法的数据越多，我们期望它就会变得越强大和更具预测性。”

Eisenbrey补充说，研究人员已经在展望未来如何改进这项工作。他们希望利用特征提取，例如“帮助我们识别高风险结节的解剖学相关特征”。