根據(jù)JAMA耳鼻喉科發(fā)表的新發(fā)現(xiàn)，將機器學習和超聲技術相結(jié)合可以幫助醫(yī)療保健人員診斷甲狀腺結(jié)節(jié)。
?

在評估甲狀腺結(jié)節(jié)時，通常下一步是超聲檢查，活檢和細針穿刺(FNA)檢查。分子測試是另一種選擇。但是AI能否在這些患者的風險分層中發(fā)揮關鍵作用?這正是研究人員想要探討的問題。

費城托馬斯·杰斐遜大學放射學副教授約翰·艾森伯里(John Eisenbrey)博士說：“機器學習是一種低成本，高效的工具，可以幫助醫(yī)生更快地決定如何處理不確定的結(jié)節(jié)?！痹跍蕚浜玫年愂鲋小！霸诔晫谞钕俳Y(jié)節(jié)的遺傳風險分層中，沒有人使用過機器學習?！?/p>

該研究的作者訓練了一種算法，該算法具有121位接受超聲引導的細針穿刺活檢和分子檢測的患者的影像學發(fā)現(xiàn)。機器學習幫助算法“學習”了評估甲狀腺結(jié)節(jié)時要尋找的內(nèi)容，能夠達到97%的特異性，90%的預測陽性值和77.4%的準確性。

托馬斯·杰斐遜大學(Thomas Jefferson University)的共同作者伊麗莎白·科特里爾(Elizabeth Cottrill)表示：“這是外科醫(yī)生和放射科醫(yī)生之間如此重要的合作，其他機構也已經(jīng)開始集中我們的資源?！拔覀兲峁┙o算法的數(shù)據(jù)越多，我們期望它就會變得越強大和更具預測性。”

Eisenbrey補充說，研究人員已經(jīng)在展望未來如何改進這項工作。他們希望利用特征提取，例如“幫助我們識別高風險結(jié)節(jié)的解剖學相關特征”。