Использование программы автоматического обнаружения и анализа образований щитовидной железы на основе искусственных нейронных сетей S-Detect Thyroid

С целью оценки практической эффективности программы автоматического обнаружения и анализа образований щитовидной железы на основе искусственного интеллекта S-Detect Thyroid проспективно оценено 84 очаговых образования щитовидной железы. Одновременно проводилась стратификация риска злокачественного процесса с использованием системы EU-TI-RADS. При выявлении узлов с категорией EU-TI-RADS 3–5 диаметром ≥10 мм проводилась тонкоигольная пункционная биопсия очаговых образований под ультразвуковым контролем. Цитологическое исследование пункционного материала проводилось с использованием классификации Bethesda. Пациенты разделены на 2 группы в соответствии с данными цитологического исследования: 73 пациента с доброкачественными узлами щитовидной железы (Bethesda II) и 11 пациентов со злокачественными узлами (Bethesda V). Пациенты с “неопределенными” категориями Bethesda I, III, а также IV были исключены из исследования. Результаты проведенного исследования показали, что использование программы S-Detect на основе искусственного интеллекта позволяет проводить дифференциальную диагностику доброкачественных (Bethesda II) и злокачественных (Bethesda V) узлов щитовидной железы с чувствительностью 90,9%, специфичностью 94,5%, прогностической ценностью положительного и отрицательного результатов 71,4 и 98,6%, точностью 94%, AUC 0,941. Из существующих настроек программы лучшие, на наш взгляд, результаты демонстрирует режим S-Detect “Высокая точность”, который мы и рекомендуем к практическому использованию. В некоторых случаях имели место противоречия между программой и врачом в характеристике структуры и эхогенности узлов, а также в определении наличия макро- и микрокальцинатов. С нашей точки зрения, использование критериев доброкачественности/злокачественности программы S-Detect в качестве показаний к пункционной аспирационной биопсии, возможно, позволило бы избежать излишних инвазивных диагностических вмешательств у ряда пациентов с узлами щитовидной железы, получивших категорию EU TI-RADS 3–5. Однако программа S-Detect на основе искусственного интеллекта в настоящее время не может полностью заменить интеллект, эрудицию, и опыт врача.

1. Wolinski K, Stangierski A, Ruchala M. Comparison of diagnostic yield of core-needle and fine-needle aspiration biopsies of thyroid lesions: Systematic review and meta-analysis. Eur. Radiol. 2017; 27 (1): 431–436. http://doi.org/10.1007/s00330-016-4356-9

2. Mittendorf E.A., Tamarkin S.W., McHenry C.R. The results of ultrasound-guided fine-needle aspiration biopsy for evaluation of nodular thyroid disease. Surgery. 2002; 132 (4): 648–653; discussion 653–654. http://doi.org/10.1067/msy.2002.127549

3. Mainini A.P., Monaco C., Pescatori L.C. et al. Image-guided thermal ablation of benign thyroid nodules. J. Ultrasound. 2016; 20 (1): 11–22. http://doi.org/10.1007/s40477-016-0221-6

4. Фисенко Е.П., Сыч Ю.П., Захарова С.М. Стратификация ультразвуковых признаков узловых образований щитовидной железы. Ультразвуковая и функциональная диагностика. 2016; 4: 18–25.

5. Russ G., Bonnema S.J., Erdogan M.F. et al. European Thyroid Association Guidelines for Ultrasound Malignancy Risk Stratification of Thyroid Nodules in Adults: The EU-TIRADS. Eur. Thyroid J. 2017; 6 (5):225–237. http://doi.org/10.1159/000478927

6. Tessler F.N., Middleton W.D., Grant E.G., Hoang J.K. Re: ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J. Am. Coll. Radiol. 2018; 15 (3 Pt A): 381–382. http://doi.org/10.1016/j.jacr.2017.12.035

7. Haugen B.R., Alexander E.K., Bible K.C. et al. 2015 American Thyroid Association Management Guidelines for Adult Patients with Thyroid Nodules and Differentiated Thyroid Cancer: The American Thyroid Association Guidelines Task Force on Thyroid Nodules and Differentiated Thyroid Cancer. Thyroid. 2016; 26 (1): 1–133. http://doi.org/10.1089/thy.2015.0020

8. Ha E.J., Chung S.R., Na D.G. et al. 2021 Korean Thyroid Imaging Reporting and Data System and Imaging-Based Management of Thyroid Nodules: Korean Society of Thyroid Radiology Consensus Statement and Recommendations. Korean J. Radiol. 2021; 22 (12): 2094–2123. http://doi.org/10.3348/kjr.2021.0713

9. Клинические рекомендации. Дифференцированный рак щитовидной железы. Разработчик: Ассоциация онкологов России. Одобрено научно-практическим Советом Минздрава РФ. М., 2020. https://www.endocrincentr.ru/sites/default/files/specialists/science/clinic-recomendations/differencirovannyy_rak_shchitovidnoy_zhelezy.pdf?ysclid=m3fny89h4e819507340

10. Chang Y., Paul A.K., Kim N. et al. Computer-aided diagnosis for classifying benign versus malignant thyroid nodules based on ultrasound images: A comparison with radiologist-based assessments. Med. Phys. 2016; 43 (1): 554. http://doi.org/10.1118/1.4939060

11. Gitto S., Grassi G., De Angelis C. et al. A computer-aided diagnosis system for the assessment and characterization of low-to-high suspicion thyroid nodules on ultrasound. Radiol. Med. 2019; 124 (2): 118–125. http://doi.org/10.1007/s11547-018-0942-z

12. Kim H.L., Ha E.J., Han M. Real-World Performance of Computer-Aided Diagnosis System for Thyroid Nodules Using Ultrasonography. Ultrasound Med. Biol. 2019; 45 (10): 2672–2678. http://doi.org/10.1016/j.ultrasmedbio.2019.05.032

13. Wei Q., Zeng S.E., Wang L.P. et al. The value of S-Detect in improving the diagnostic performance of radiologists for the differential diagnosis of thyroid nodules. Med. Ultrason. 2020; 22 (4):415–423. http://doi.org/10.11152/mu-2501

14. Barczyński M., Stopa-Barczyńska M., Wojtczak B. et al. Clinical validation of S-DetectTMmode in semi-automated ultrasound classification of thyroid lesions in surgical office. Gland. Surg. 2020; 9 (Suppl. 2): S77–S85. http://doi.org/10.21037/gs.2019.12.23

15. Han M., Ha E.J., Park J.H. Computer-Aided Diagnostic System for Thyroid Nodules on Ultrasonography: Diagnostic Performance Based on the Thyroid Imaging Reporting and Data System Classification and Dichotomous Outcomes. Am. J. Neuroradiol. 2021; 42 (3): 559–565. http://doi.org/10.3174/ajnr.A6922

16. Zhong L., Wang C. Diagnostic accuracy of S-Detect in distinguishing benign and malignant thyroid nodules: A meta-analysis. PLoS One. 2022; 17 (8): e0272149. http://doi.org/10.1371/journal.pone.0272149

17. Li Y., Liu Y., Xiao J. et al. Clinical value of artificial intelligence in thyroid ultrasound: a prospective study from the real world. Eur. Radiol. 2023; 33 (7): 4513–4523. http://doi.org/10.1007/s00330-022-09378-y

18. Cong P., Wang X.M., Zhang Y.F. Comparison of artificial intelligence, elasticimaging, and the thyroid imaging reporting and data system in the differential diagnosis of suspicious nodules. Quant. Imaging Med. Surg. 2024; 14 (1): 711–721. http://doi.org/10.21037/qims-23-788

19. Ali S.Z., Baloch Z.W., Cochand-Priollet B. et al. The 2023 Bethesda System for Reporting Thyroid Cytopathology. Thyroid. 2023; 33 (9): 1039–1044. http://doi.org/10.1089/thy.2023.0141

20. Чойнзонов Е.Л., Решетов И.В., Иванов С.А., Поляков А.П., Кропотов М.А., Мудунов А.М., Полькин В.В., Исаев П.А., Ильин А.А., Бельцевич Д.Г., Ванушко В.Э., Румянцев П.О., Мельниченко Г.А., Алымов Ю.В., Романов И.С., Игнатова А.В., Бородавина Е.В., Крылов В.В., Шуринов А.Ю., Северская Н.В., Раджабова З.А., Кульбакин Д.Е., Невольских А.А., Геворков А.Р., Хмелевский Е.В., Кутукова С.И., Гузь А.О., Слепцов И.В., Черников Р.А., Степанова А.М., Фалалеева Н.А., Подвязников С.О., Рубцова Н.А., Рудык А.Н., Мусин Ш.И., Гулидов И.А., Владимирова Л.Ю., Семиглазова Т.Ю., Агабабян Т.А., Костромина Е.В. Проект клинических рекомендаций по диагностике и лечению дифференцированного рака щитовидной железы у взрослых пациентов. Эндокринная хирургия. 2022; 16 (2): 5–29. https://doi.org/10.14341/serg12792