使用超声波和 SWE 数据进行机器学习可改善甲状腺成像

11 月 26 日，星期日 | 上午 9:40 至 9:50 | S1-SSHN01-5 | E353B室

本次会议的与会者将了解如何使用超声波和剪切波弹性成像 (SWE) 图像进行机器学习，从而改善甲状腺结节的诊断和治疗策略。

中国上海复旦大学的赵崇科医学博士将在他的演讲中讨论机器学习辅助的双超声模式如何帮助放射科医生更好地诊断甲状腺结节，并降低不必要的细针抽吸活检率。

虽然 TI-RADS 是目前确定甲状腺结节风险的标准方法，但研究人员指出，该方法因诊断特异性低而受到阻碍。 先前的研究已经探索了机器学习在该领域更好的风险评估中的潜力。

赵和同事想要比较机器学习辅助视觉方法和放射组学方法与 TI-RADS 各自的性能。 他们还比较了不必要的细针抽吸活检的发生率。

在他们的多中心研究中，研究人员发现机器学习方法具有三种方法中最好的诊断性能，验证和测试数据集中的曲线下面积 (AUC) 值分别为 0.900 和 0.917。

然而，在添加 SWE 成像数据后，这一情况进一步得到改善。 添加 SWE 后，机器学习方法再次优于放射组学和 TI-RADS 方法，验证和测试数据集中的 AUC 值分别为 0.951 和 0.953。

最后，该团队报告说，利用超声和 SWE 数据的机器学习方法将验证集中不必要的细针抽吸活检率从 30% 降低到 4.5%，在测试集中从 37.7% 降低到 4.7%。

通过参加本次会议了解有关该模型的更多信息。