编辑推荐：
为解决甲状腺结节漏误诊及 TI-RADS 4 类结节良恶性鉴别难题，研究人员构建整合 B-mode 超声（BMUS）和应变弹性成像（SE）的深度学习模型。该模型在测试集和外部验证集 AUC 分别达 0.937 和 0.927，优于放射科医生，辅助诊断效果显著，具临床价值。
甲状腺，这个形似蝴蝶的内分泌器官，虽小却掌管着人体代谢的 “钥匙”。近年来，随着高分辨率超声的普及，甲状腺结节的检出率大幅攀升。然而，临床鉴别其良恶性并非易事：传统超声诊断依赖医生经验，主观性强且缺乏统一标准；超声引导细针穿刺活检（US-FNAB）虽为金标准，却有创且存在并发症风险。尤其是 TI-RADS 4 类结节，作为恶性风险中等的 “灰色地带”（其中 4a、4b、4c 恶性风险分别为 5-10%、10-50%、50-85%），其良恶性鉴别更是临床痛点 —— 过度活检会让良性患者承受不必要的创伤，而漏诊恶性则可能延误治疗。如何用无创、客观的手段提升诊断精准度，成为亟待突破的医学难题。
为攻克这一挑战，中国科学技术大学附属合肥肿瘤医院与安徽医科大学第一附属医院的研究团队，在《Computerized Medical Imaging and Graphics》发表了一项重要研究。他们创新性地将 B 型超声（BMUS，显示组织解剖结构）与应变弹性成像（SE，通过组织硬度反映病变性质）两种模态结合，构建深度学习模型，专门针对具有钙化、低回声、边界不规则等高危特征的 TI-RADS 4 类结节，实现恶性风险的精准预测。
研究主要采用以下关键技术方法：首先从超声图像中提取结节区域并扩展边界，随后运用自适应粒子群优化（APSO）和对比度受限自适应直方图均衡化（CLAHE）算法增强图像对比度，最后通过深度学习融合两种模态的高维特征进行分类。研究数据来自三个中心的 612 例高危 TI-RADS 4 类结节患者，均经 US-FNAB 病理确诊，确保了金标准的可靠性。
模型性能验证
研究采用重复随机子集分割法验证模型鲁棒性。在 7:3 比例划分的训练集与测试集中，模型在测试集的曲线下面积（AUC）达 0.937（95% CI 0.917-0.949），外部验证集 AUC 为 0.927（95% CI 0.907-0.948），展现出强大的泛化能力。
与放射科医生诊断对比
将模型性能与三组放射科医生（低年资、中年资、高年资）对比发现，模型的诊断准确性显著优于所有医生组。值得关注的是，当医生借助模型辅助诊断时，三组医生的诊断性能均有提升，表明模型可作为临床 “智能助手”，弥补经验差异带来的诊断波动。
模型可信度分析
通过生成热图可视化模型决策过程，发现其关注区域与放射科医生的专业判断高度吻合，例如聚焦于结节边界、回声特征等关键恶性征象。这一结果印证了模型的 “可解释性”，使其在临床应用中更具说服力。
研究结论表明，该多模态深度学习模型能有效整合 BMUS 与 SE 的互补信息，为 TI-RADS 4 类高危结节的恶性预测提供了精准、无创的新工具。其核心价值体现在：一是通过自动化分析降低主观误诊风险，尤其对复杂征象的结节优势显著；二是减少不必要的 US-FNAB 操作，减轻患者创伤与医疗负担；三是多中心验证的优异表现，奠定了其在不同医疗场景推广的基础。
讨论部分指出，传统二维超声（2D-US）等方法因无法全面捕捉组织力学特性（如 SE 反映的硬度），易对桥本甲状腺炎等特殊类型结节误判。而本研究通过多模态融合，突破了单模态信息局限，为甲状腺结节的 AI 辅助诊断开辟了新路径。未来若结合更多模态（如超声造影）或临床数据（如血清学指标），有望进一步提升模型效能。这项研究不仅为甲状腺结节的精准医疗提供了技术支撑，更彰显了人工智能在医学影像领域的巨大潜力，推动 “精准诊断 - 精准治疗” 模式的落地。
