人工智能决策支持系统在非专科内分泌环境中甲状腺结节评估的初步分析：优化筛查与风险分层的临床价值

这篇前瞻性研究首次评估了人工智能决策支持系统（AI-DSS）在非专科内分泌门诊中对甲状腺结节超声特征分类和ACR TI-RADS/ATA风险分层的应用效果。研究通过比较80例患者中普通内分泌医师（GE）、AI-DSS（Koios DS）及甲状腺结节专科（TNC）的评估数据，发现AI-DSS独立使用时倾向于高估风险（如将80%结节判定为实性vs GE的36%，p<0.01），且与GE的ACR TI-RADS评分一致性仅为中等（r=0.337）。研究强调在低恶性率环境中，AI-DSS需作为辅助工具而非替代方案，以避免过度转诊。

　　

Abstract

甲状腺结节的超声评估长期依赖主观描述符，而人工智能（AI）技术有望提升诊断标准化。本研究探讨了AI决策支持系统（AI-DSS）在非专科内分泌环境中的应用价值，通过对比普通内分泌医师（GE）与AI-DSS（Koios DS）对80例患者的评估数据，发现AI-DSS在结节成分（实性80% vs 36%）、回声（低回声52% vs 16%）和钙化灶（微钙化10.7% vs 1.3%）等关键特征判定上与GE存在显著差异（p<0.01）。尽管AI-DSS推荐转诊率更高（37.3% vs 30.7%），但其与GE的ACR TI-RADS评分一致性仅达中等水平（r=0.337），提示在低恶性率环境中需谨慎使用。

Material and Methods

研究前瞻性纳入80例接受门诊超声检查的患者，由5名无甲状腺影像专科培训的GE进行常规评估，同时采用AI-DSS对DICOM格式图像进行盲法分析。评估指标包括结节成分、回声特征、ACR TI-RADS/ATA分类及转诊建议。统计方法涵盖Cohen's kappa一致性检验和Pearson相关性分析，样本量经效能计算确定为58个结节（α=0.05，效能90%）。

Results

关键发现包括：

1. 特征差异：AI-DSS更频繁判定结节为实性（80% vs 36%）和低回声（52% vs 16%），而GE更倾向海绵状分类（38.7% vs 1.3%）。
2. 风险分层：AI-DSS将44%结节归为ACR TI-RADS≤3，显著低于GE的77%（p<0.05），且ATA高风险分类达39.7%（GE仅4%）。
3. 转诊影响：AI-DSS推荐转诊率较GE高6.6%，但实际TNC转诊病例中65%仍被判定为低风险（ACR TI-RADS≤3）。
4. 专家一致性：AI-DSS与TNC专科医师在边缘评估中达成完全一致（Kappa=1.000），但与GE的ACR TI-RADS评分相关性较弱（r=0.337）。

Discussion

研究揭示了AI-DSS在低恶性率环境中的局限性：

• 过度保守倾向：系统对海绵状结节（公认良性特征）的低识别率（1.3%）可能导致风险高估。
• 静态图像局限：微钙化与彗尾伪影的鉴别受限于静态图像分析，影响特征判读。
• 临床适配问题：AI模型在专科中心的高性能（既往研究）未能转化为非专科场景的优势，凸显环境特异性训练的必要性。

Conclusion

在非专科内分泌环境中，独立使用的AI-DSS未能显著优化甲状腺结节风险分层，反而可能因风险高估导致过度转诊。未来需针对低恶性率场景优化算法，并明确其作为辅助工具的定位。研究为AI在基层医疗的应用提供了重要循证依据，强调临床环境适配性是技术落地的关键。