针对细胞学不确定甲状腺结节的深度学习算法：与分子检测的比较和联合应用

细胞学结果不确定的甲状腺结节（Bethesda III）具有中等恶性风险，分子检测被广泛用于决定手术还是监测，但其费用高昂且并非普遍可及。我们研究了将卷积神经网络（CNN）应用于常规超声图像能否对 Bethesda III 结节进行分层，以及它与分子检测相比和联合使用时的表现。我们回顾性识别了来自 418 例接受分子检测（Afirma 或 ThyroSeq）患者的 466 条结节记录。一个在确定性结节上预训练的 CNN 通过软标签和迁移学习被适配到不确定结节上。去除重复记录后，119 个具有手术病理的结节用于开发，47 个留出用于测试。在测试集上，深度学习（DL）模型的 AUC 为 0.73（95% CI 0.51-0.94），而分子检测为 0.55（0.38-0.71）（P = 0.15）。在沿用原始算法的截断值下，DL 模型比分子检测更具特异性（0.95 vs 0.32；P < 0.001），阳性预测值更高（0.67 vs 0.21），敏感性更低（0.44 vs 0.78；P = 0.25），阴性预测值相似（0.88 vs 0.86）。所有六个 DL 阳性测试结节均为分子阳性，且 DL 输出将分子阳性结节分为高风险组（4/6 恶性）和较低风险组（3/27 恶性；P = 0.01）。手术验证强烈受分子结果驱动（阳性结果中 99% vs 阴性结果中 19%），且分子检测的准确性取决于平台。对 DL 输出、结节大小和分子结果进行逻辑回归时剔除了 DL 项，且未能在单独 DL 输出基础上有所改善。超声 DL 补充了 Bethesda III 结节的分子检测，特别是通过识别恶性风险较低的分子阳性结节。

中文由 AI 翻译，仅供参考，以原文为准。