基于弱监督数据增强网络（WSDAN）的传统与多普勒超声图像融合技术在甲状腺结节评估中的创新应用

本研究针对甲状腺结节诊断中背景噪声干扰和模型泛化能力不足的问题，提出了一种融合传统超声（US）与多普勒超声（Doppler US）的弱监督数据增强网络（Enhanced WSDAN）。通过多普勒图像引导的靶向数据增强策略，模型在1288对图像训练集上实现了91%的分类准确率，定位任务的Dice和Jaccard指数分别达75%和87%，显著优于现有5种先进模型。该成果为减少不必要穿刺活检（FNA）提供了智能化解决方案，相关代码已开源。

　　

甲状腺结节是临床常见病症，全球每年新增甲状腺癌病例超过58万例。传统超声（US）虽为诊断金标准，但其准确性高度依赖医师经验，易导致误诊和不必要的细针穿刺活检（FNA）。多普勒超声（Doppler US）能显示结节血流特征，但单独使用存在信息碎片化问题。现有深度学习模型如弱监督数据增强网络（WSDAN）虽能辅助诊断，但随机裁剪等传统数据增强策略会引入背景噪声，且需额外标注病灶区域（ROI），增加临床负担。

为解决这些问题，来自泰国Ramkhamhaeng大学、Siriraj医院等机构的研究团队在《Computers in Biology and Medicine》发表研究，提出Enhanced WSDAN模型。该研究创新性地将多普勒超声图像作为空间引导信号，通过其生成的边界框（bounding box）替代随机裁剪，实现靶向数据增强。训练采用1288对传统-多普勒超声图像，通过三折交叉验证和独立测试集（190例）评估，模型在保持弱监督优势的同时，显著提升了结节分类与定位精度。

关键技术包括：1）多模态图像配准融合技术，利用多普勒图像血管特征生成注意力掩膜；2）改进的弱监督数据增强策略，通过边界框引导区域增强；3）双分支卷积神经网络（CNN）架构，同步优化分类与定位任务。数据来源于公开DDTI数据集和Siriraj医院回顾性病例。

研究结果
分类性能：Enhanced WSDAN在测试集达到91%准确率，较原WSDAN提升7%，显著优于对比的5种先进模型。多普勒引导的注意力机制有效抑制了甲状腺周围肌肉组织的干扰。
定位能力：定位指标Dice系数75%、Jaccard指数87%，证明多普勒提供的血管形态学特征可精准指导结节边界识别。可视化显示模型能聚焦于结节实性成分，避免囊性区域的误判。
消融实验：证实传统随机裁剪会使背景噪声占比增加23%，而边界框引导策略使有效特征提取效率提升35%。

讨论与意义
该研究首次实现多普勒超声在弱监督框架下的智能应用，其临床价值体现在三方面：1）诊断流程优化，仅需常规超声图像即可完成高精度评估，减轻医师标注负担；2）通过注意力可视化提升模型可解释性，辅助年轻医师学习结节特征；3）开源代码便于临床部署，未来可扩展至其他器官超声诊断。局限性在于当前仅区分良恶性，未覆盖滤泡性肿瘤等亚型。团队正开发在线诊断平台，拟为非专科医师提供决策支持。

研究获泰国国家广播电信委员会（NBTC）资助，伦理审查符合赫尔辛基宣言。作者Chadaporn Keatmanee等强调，这种"训练用多模态、推理用单模态"的设计范式，为医学影像分析提供了新思路，其技术路线可迁移至乳腺、肝脏等器官的超声智能诊断领域。