在横断面与纵断面超声平面中使用S-Detect评估甲状腺结节的诊断策略

《Technology in Cancer Research & Treatment》：Evaluating Diagnostic Strategies for Thyroid Nodule Assessment Using S-Detect in Transverse and Longitudinal Ultrasound Planes

　　

引言：超声成像平面对基于人工智能的计算机辅助诊断（artificial intelligence–based computer-aided diagnosis, AI-CAD）系统评估甲状腺结节的诊断性能的影响尚不明确。本研究评估了S-Detect在横断面和纵断面超声平面中的表现，并比较了四种基于平面的判读策略。方法：本前瞻性横断面研究纳入157例患者共207个经手术确诊的甲状腺结节。每个结节均由S-Detect分别在横断面（S-Detect_T）和纵断面（S-Detect_L）平面独立分析。评估了四种诊断策略：横断面评估、纵断面评估、串联策略（仅当两个平面均提示可能恶性时才将结节分类为可能恶性）和并联策略（任一平面提示可能恶性即将结节分类为可能恶性）。评估了诊断性能、一致性和平面间不一致性。结果：207个结节中，140个为恶性，67个为良性。S-Detect_L的敏感度和特异度数值上高于S-Detect_T（分别为93.6%对92.1%和62.7%对59.7%），但差异均无统计学意义。横断面和纵断面分类在89.4%的结节中一致，而10.6%存在平面间不一致。并联策略获得了最高的敏感度（97.9%）和阴性预测值（92.5%），但特异度最低（55.2%）。串联策略获得了最高的特异度（67.2%）和最低的假阳性率（32.8%），但敏感度较低（87.9%）。与串联策略相比，并联策略多识别了14个恶性结节，同时产生8个额外的假阳性分类。限制为每例患者一个结节的敏感性分析显示了相同的总体模式。结论：横断面和纵断面S-Detect评估显示出相似的诊断性能，但部分结节存在平面间不一致。并联策略倾向于敏感度，而串联策略倾向于特异度和更少的假阳性分类。没有一种成像平面或组合规则在所有诊断指标中均一致优于其他。

甲状腺结节的良恶性鉴别是临床实践中的长期挑战。高分辨率超声作为甲状腺结节评估的主要影像学手段，能够实时观察结节形态与内部特征。为使超声风险分层标准化，多种甲状腺影像报告与数据系统（Thyroid Imaging Reporting And Data System