人工智能辅助ACR TI-RADS与Bethesda样风险预测用于细胞学不确定甲状腺结节的回顾性概念验证评估

《Diagnostics》：Artificial Intelligence–Assisted ACR TI-RADS and Bethesda-like Risk Prediction for Indeterminate Thyroid Nodules: A Retrospective Proof-of-Concept Evaluation

　　

背景/目的：细胞学不确定甲状腺结节（Bethesda III–IV）仍是诊断挑战。研究人员评估了TRAICK（1.9.4版；TRAICK，Istanbul, Türkiye）人工智能（artificial intelligence, AI）系统，该系统从灰阶超声图像生成美国放射学会甲状腺影像报告和数据系统（American College of Radiology Thyroid Imaging Reporting and Data System, ACR TI-RADS）类别及影像学衍生的Bethesda样风险类别。方法：这项回顾性概念验证研究纳入52个经手术切除、细胞学为Bethesda III（n = 29）或IV（n = 23）的结节，以索引结节的病理组织学为参考标准。分别分析TRAICK的两项输出，并使用McNemar检验和DeLong检验将ACR TI-RADS输出与两名放射科医师比较。结果：索引结节病理组织学显示23个结节（44.2%）为恶性。TRAICK ACR TI-RADS输出的准确率为71.2%（95%置信区间[confidence interval, CI] 57.7–81.7），受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the ROC curve, AUC）为0.762（0.640–0.884）。其AUC与放射科医师1（Radiologist 1）差异无统计学意义（0.762 vs. 0.777，p = 0.783）；特异度更高（65.5% vs. 37.9%，p = 0.021），而灵敏度较低但差异无统计学意义（78.3% vs. 91.3%，p = 0.250）。与放射科医师2（Radiologist 2）相比，TRAICK ACR TI-RADS输出的准确率（71.2% vs. 51.9%，p = 0.013）、特异度（65.5% vs. 24.1%，p < 0.001）和AUC（0.762 vs. 0.629，p = 0.042）更高。Bethesda样输出AUC为0.822（0.707–0.938），在V–VI阈值下灵敏度为60.9%、特异度为86.2%。敏感性分析中，ACR TI-RADS输出的AUC与放射科医师1差异无统计学意义，而当低风险肿瘤归类为恶性时，其相对于放射科医师2的AUC优势无统计学意义。结论：在这一小型、选择性外科队列中，TRAICK ACR TI-RADS输出显示出与两名经验丰富放射科医师中较准确者无显著差异的判别能力，且特异度更高；其Bethesda样输出显示出有前景的判别能力。这些发现支持进一步研究TRAICK作为术前决策的补充辅助工具；尚需独立前瞻性验证。

研究背景与目的：甲状腺结节在成人中高度常见，超声（ultrasonography, US）是主要风险评估手段。美国放射学会甲状腺影像报告和数据系统（American College of Radiology Thyroid Imaging Reporting and Data System, ACR TI-RADS）、欧洲甲状腺协会甲状腺影像报告和数据系统（European Thyroid Association Thyroid Imaging Reporting and Data System, EU-TIRADS）及美国甲状腺协会（American Thyroid Association, ATA）指南用于标准化报告和管理，但仍受观察者间变异和灵敏度不足限制，尤其细胞学不确定结节。细针穿刺活检（fine-needle aspiration biopsy, FNAB）按Bethesda系统报告，Bethesda III（意义不明的异型性，AUS）和IV（滤泡性肿瘤，FN）为诊断灰区，预期恶性风险约13%–34%，常导致重复活检或诊断性手术，而不少切除结节最终良性；甲状腺切除术存在喉返神经损伤、甲状旁腺功能减退和终身甲状腺激素替代等风险。人工智能（artificial intelligence, AI）在超声甲状腺结节分类中显示前景，但多数方法仅关注影像ACR TI-RADS分类，少在细胞学不确定结节中评估。研究人员因此开发TRAICK（1.9.4版；TRAICK，Istanbul, Türkiye）AI系统，从灰阶超声图像生成ACR TI-RADS类别及影像学衍生的Bethesda样风险类别，并开展本回顾性概念验证研究。其意义在于为不确定结节的术前决策提供补充风险信息；原文强调其不能替代FNAB或临床判断，需独立前瞻性验证。

关键技术与方法：该研究为单中心回顾性概念验证，样本来自2020—2023年机构内Bethesda III–IV细胞学结节队列：初筛93个，58个接受手术，最终52个索引结节（III 29个、IV 23个；每患者1个）纳入，以索引结节术后病理为参考。每结节从影像归档与通信系统（picture archiving and communication system, PACS）取1张合格纯灰阶超声图像。TRAICK 1.9.4以YOLOv8模块定位并分割结节，五个分类器预测ACR TI-RADS五项特征并汇总为类别，Bethesda样模块另行训练；系统未在数据上重新训练、微调或校准，阈值未调整。两名放射科医师（D.Y.，25年经验；D.E.T.S.，15年经验）独立盲法阅片；统计采用McNemar、DeLong、Cohen κ（Cohen’s kappa）、Wilson 95% CI及Cochran–Armitage趋势检验，并行三项敏感性分析。

研究结果：
3.1 研究人群：病理复核显示52个结节中23个（44.2%）恶性、29个非恶性；Bethesda III恶性率为41.4%（12/29），Bethesda IV为47.8%（11/23）；恶性组结节更小（中位11 vs. 20 mm，p = 0.002）。非恶性组包括良性病变22个、非浸润性滤泡性甲状腺肿瘤伴乳头状样核特征（noninvasive follicular thyroid neoplasm with papillary-like nuclear features, NIFTP）6个和恶性潜能未定的高分化肿瘤（well-differentiated tumor of uncertain malignant potential, WT-UMP）1个；6个非恶性结节在腺体其他部位存在乳头状微癌。
3.2 类别分布：分类计数显示Radiologist 1的TR3、TR4、TR5分别为13、25、14个，Radiologist 2为10、28、14个；TRAICK ACR输出TR2、TR3、TR4、TR5分别为1、23、20、8个；Bethesda样输出II、III、IV、V、VI分别为13、7、14、9、9个。
3.3 ACR TI-RADS评估的诊断性能：以病理为参考、TR4–TR5为阳性，TRAICK准确率为71.2%、灵敏度78.3%、特异度65.5%，受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the ROC curve, AUC）为0.762；Radiologist 1分别为61.5%、91.3%、37.9%，AUC为0.777；Radiologist 2分别为51.9%、87.0%、24.1%，AUC为0.629；与病理一致性TRAICK为中等（κ = 0.428）、Radiologist 1为尚可（κ = 0.273）、Radiologist 2为轻微（κ = 0.102）。
3.4 配对比较：配对检验显示TRAICK与Radiologist 1在准确率（p = 0.267）和AUC（p = 0.783）上无显著差异，特异度更高（p = 0.021），灵敏度较低但无显著差异（p = 0.250）；Radiologist 1识别出3个被TRAICK判为TR3的恶性结节，而TRAICK未识别出Radiologist 1遗漏的恶性结节。与Radiologist 2相比，TRAICK准确率（p = 0.013）、特异度（p < 0.001）和AUC（p = 0.042）更高，灵敏度无显著差异（p = 0.500）。
3.5 TRAICK Bethesda样输出的诊断性能：以V–VI为阳性，18个阳性结节中14个恶性；灵敏度60.9%、特异度86.2%、阳性预测值（positive predictive value, PPV）77.8%、阴性预测值（negative predictive value, NPV）73.5%、准确率75.0%，κ = 0.482，AUC为0.822；AUC高于Radiologist 2（p = 0.029），与Radiologist 1（p = 0.573）及TRAICK ACR输出（p = 0.444）无显著差异。恶性率在II、III、IV、V、VI类分别为15.4%、0%、50.0%、66.7%、88.9%；IV类中7个恶性结节在V–VI阈值下计为阴性。
3.6 阅片者间一致性：一致性分析显示Radiologist 1与Radiologist 2的ACR TI-RADS类别一致性κ = 0.411（中等），TRAICK与Radiologist 1为0.391、与Radiologist 2为0.336（尚可）；线性加权κ分别为0.506、0.496、0.379。
3.7 不确定细胞学内的重分类：重分类分析显示Bethesda III的29个结节中，TRAICK置V–VI 12个（10个恶性、2个非恶性），置IV 4个（1个恶性、3个非恶性），置II–III 13个（1个恶性、12个非恶性）；Bethesda IV的23个结节中，置V–VI 6个（4个恶性、2个非恶性），置IV 10个（6个恶性、4个非恶性），置II–III 7个（1个恶性、6个非恶性）。总体恶性结节中14/23（60.9%）置V–VI；非恶性结节中11个置II、7个置III、7个置IV、4个置V–VI。原文强调这描述重分类，并非TRAICK与FNAB诊断准确性的比较。
3.8 各细胞学类别内TRAICK ACR TI-RADS类别的恶性率：分层分析显示Bethesda III中TR3、TR4、TR5恶性率分别为8.3%、50.0%、100%（趋势p < 0.001）；Bethesda IV中TR2的单个结节非恶性，TR3、TR4、TR5分别为36.4%、62.5%、66.7%（趋势p = 0.132）；8个TR5结节中7个恶性（87.5%）。亚组样本量小且CI较宽。
3.9 敏感性分析：将6个NIFTP和1个WT-UMP归为恶性时（30个恶性、22个非恶性），ACR输出AUC降至0.654，Radiologist 1为0.688（p = 0.592）、Radiologist 2为0.526（p = 0.081），Bethesda样输出为0.838；排除6个索引结节外癌灶后（n = 46；23个恶性、23个非恶性），ACR输出AUC为0.820、Radiologist 1为0.802（p = 0.732）、Radiologist 2为0.634（p = 0.006）、Bethesda样输出为0.851；按原始数据库编码（34个恶性、18个良性），相应AUC为0.776、0.731（p = 0.494）、0.549（p = 0.001）、0.907。三项分析中TRAICK ACR输出与Radiologist 1均无显著差异；其相对于Radiologist 2的AUC优势在两项分析中较高，在低风险肿瘤归为恶性时无统计学意义；Bethesda样输出AUC最高（0.838–0.907）。

讨论与结论：讨论部分指出，该研究为小型、选择性外科队列，结果应视为假设生成。ACR输出与两名放射科医师中较准确者AUC无显著差异，主要差异在特异度；与Radiologist 2相比准确率、特异度和AUC更高。选择偏倚可能使非恶性结节因临床或超声可疑而接受手术，两名阅片者间差异也反映观察者间变异；Radiologist 1（D.Y.）参与TRAICK开发且曾行原始临床检查，虽设洗脱期和盲法，仍不能完全保证独立；两名阅片者与TRAICK均基于每结节单张静态图像，不同于实时实践。Bethesda样输出为影像学风险类别而非细胞学诊断，其类别恶性率并未完全随类别递增，IV类在V–VI阈值下漏诊7个恶性结节，阈值需独立数据定义。与既往研究比较，原文提到细胞学不确定结节荟萃分析汇总AUC为0.82、深度学习模型异质性很高（I² = 99.7%），外部验证AUC为0.69–0.70，但不宜与本小队列数值直接比较；单中心及单一超声平台限制外推。临床意义在于提供补充信息，而非替代FNAB或临床判断，且未评估临床决策、重复活检率、手术率或患者结局；预测值受本队列44.2%恶性率影响。优势包括患者未参与模型开发、以索引结节术后病理为参考、预设阈值、盲法阅片及敏感性分析；局限包括小样本单中心回顾性、仅手术结节、两名阅片者且D.Y.参与开发、单张静态图像、参考标准自身不确定性、单一超声平台、开发数据验证集未按患者层面分离、仅报告最终类别、未评估算法偏倚及临床影响。研究结论翻译：在这一小型、选择性手术队列的细胞学不确定甲状腺结节中，TRAICK的ACR TI-RADS输出AUC与两名放射科医师中较准确者无显著差异，且特异度更高；与第二名放射科医师相比，其准确率、特异度和AUC更高。其Bethesda样输出在各类别间显示出有前景的判别能力，尽管在预设阈值下灵敏度中等。这些发现提示TRAICK有潜力为不确定甲状腺结节的术前决策提供补充信息。它们并未显示其优于放射科医师或FNAB、可推广至其他环境，或减少重复活检或手术。在临床使用前，需要独立前瞻性多中心研究，包括临床影响评估。