機器學(xué)習(xí)和超聲技術(shù)相結(jié)合可以用來診斷甲狀腺結(jié)節(jié)
根據(jù)JAMA耳鼻喉科發(fā)表的新發(fā)現(xiàn),將機器學(xué)習(xí)和超聲技術(shù)相結(jié)合可以幫助醫(yī)療保健人員診斷甲狀腺結(jié)節(jié)。
?
在評估甲狀腺結(jié)節(jié)時,通常下一步是超聲檢查,活檢和細針穿刺(FNA)檢查。分子測試是另一種選擇。但是AI能否在這些患者的風(fēng)險分層中發(fā)揮關(guān)鍵作用?這正是研究人員想要探討的問題。
費城托馬斯·杰斐遜大學(xué)放射學(xué)副教授約翰·艾森伯里(John Eisenbrey)博士說:“機器學(xué)習(xí)是一種低成本,高效的工具,可以幫助醫(yī)生更快地決定如何處理不確定的結(jié)節(jié)?!痹跍?zhǔn)備好的陳述中?!霸诔晫谞钕俳Y(jié)節(jié)的遺傳風(fēng)險分層中,沒有人使用過機器學(xué)習(xí)?!?/p>
該研究的作者訓(xùn)練了一種算法,該算法具有121位接受超聲引導(dǎo)的細針穿刺活檢和分子檢測的患者的影像學(xué)發(fā)現(xiàn)。機器學(xué)習(xí)幫助算法“學(xué)習(xí)”了評估甲狀腺結(jié)節(jié)時要尋找的內(nèi)容,能夠達到97%的特異性,90%的預(yù)測陽性值和77.4%的準(zhǔn)確性。
托馬斯·杰斐遜大學(xué)(Thomas Jefferson University)的共同作者伊麗莎白·科特里爾(Elizabeth Cottrill)表示:“這是外科醫(yī)生和放射科醫(yī)生之間如此重要的合作,其他機構(gòu)也已經(jīng)開始集中我們的資源?!拔覀兲峁┙o算法的數(shù)據(jù)越多,我們期望它就會變得越強大和更具預(yù)測性。”
Eisenbrey補充說,研究人員已經(jīng)在展望未來如何改進這項工作。他們希望利用特征提取,例如“幫助我們識別高風(fēng)險結(jié)節(jié)的解剖學(xué)相關(guān)特征”。