复杂甲状腺结节可解释AI诊断最新研究进展综述

一、研究背景

甲状腺结节是临床常见的甲状腺异常，其良恶性鉴别对患者的治疗决策至关重要。目前，超声检查是甲状腺结节首选的影像学评估方法，而甲状腺影像报告和数据系统（TI-RADS）则是标准化的风险分层工具。然而，对于具有不典型超声特征的复杂甲状腺结节，传统的诊断方法往往面临挑战。一方面，人工评估依赖于影像科医师的经验，存在主观性和可重复性差的问题；另一方面，常规的深度学习模型虽然能达到较高的分类准确率，但其”黑盒”性质使得临床医生难以理解其决策过程，限制了临床接受度。因此，开发兼具高准确性和可解释性的AI诊断系统成为该领域的研究热点。

二、研究创新点

近日，郑州大学第一附属医院甲状腺外科卢秀波教授团队在《Radiology: Artificial Intelligence》（2026年3月）发表了一项重要研究成果。该团队创新性地提出了一种基于数字化超声特征的可解释机器学习模型”UltraMC”，主要创新点包括：

1. 双模块架构设计：模型由两个独立的掩码模块组成，前端进行特征提取，后端实现可解释分类，实现了复杂甲状腺结节的精准识别

2. 白盒可解释性：采用可解释的白盒方法进行数字化超声特征提取，使模型决策过程透明化，便于临床医生理解和验证

3. 多中心验证：研究回顾性收集了中国7家医疗中心的病理证实甲状腺超声图像（2011年1月-2021年12月），确保了模型的泛化能力

4. 双重诊断能力：模型不仅能准确识别复杂甲状腺结节，还能高效诊断具有典型良恶性超声特征的常规甲状腺结节

三、技术原理

UltraMC模型的核心技术原理如下：

1. 数字化超声特征工程：系统从超声图像中自动提取多维度的量化特征，包括结节的形态、边缘、回声、钙化等关键影像学指标，并进行标准化处理

2. 可解释机器学习框架：采用基于规则和特征重要性分析的白盒算法，而非端到端的深度学习黑盒模型，确保每一个分类决策都能追溯到具体的影像学特征

3. 双模块协同工作：

– 前端模块：负责超声图像的预处理和特征数字化

– 后端模块：基于提取的特征进行分类，并生成特征重要性排序和可视化解释

4. 多中心数据融合：通过对7家中心数据的统一处理和交叉验证，提高了模型在不同临床场景下的适应性

四、实验结果

该研究的主要实验结果表明：

1. 复杂甲状腺结节分类：UltraMC模型在复杂甲状腺结节分类任务上展现出优异的性能，准确识别了具有不典型超声特征的病例

2. 常规结节诊断：对于具有典型良恶性特征的常规甲状腺结节，模型同样保持了高效的诊断能力

3. 可解释性验证：通过特征重要性分析，模型能够清晰展示哪些超声特征对最终分类结果贡献最大，帮助临床医生理解AI的决策依据

4. 临床应用潜力：多中心验证结果显示，该模型在不同医疗机构的数据上均表现稳定，具有良好的临床转化前景

五、技术优势

相比传统方法和其他AI模型，UltraMC具有以下显著优势：

1. 可解释性强：白盒设计让医生能够看到模型的决策过程，增强了临床信任度

2. 准确性高：在复杂结节分类上达到了与专科医生相当甚至更优的水平

3. 泛化性好：多中心训练确保模型适用于不同的临床环境

4. 双重功能：同时处理复杂和常规甲状腺结节，适用范围更广

5. 临床友好：数字化特征提取和可解释输出符合临床工作流程

六、应用前景

该研究成果具有广阔的临床应用前景：

1. 辅助诊断系统：可集成到超声科工作站，为影像科医生提供实时的辅助诊断建议

2. 分级诊疗支持：在基层医院部署，提高甲状腺结节的初诊准确性，减少不必要的转诊

3. 教学培训工具：可解释的特征分析有助于年轻医生学习和理解甲状腺超声诊断

4. 多学科协作：为甲状腺外科、内分泌科等多学科诊疗提供客观的影像学参考

5. 研究平台：为后续甲状腺结节AI诊断研究提供了可解释模型的范例

七、研究局限性与未来方向

尽管该研究取得了重要进展，但仍存在一些局限性：

1. 回顾性研究：数据为回顾性收集，未来需要前瞻性研究进一步验证

2. 中国人群数据：研究数据主要来自中国人群，需要在不同种族人群中验证

3. 实时性优化：当前模型主要用于离线分析，未来可优化为实时处理

4. 长期随访：需要长期随访数据评估模型对患者预后的影响

未来研究方向包括：

– 整合更多模态数据（如弹性成像、造影超声等）

– 开发实时交互式解释系统

– 开展大规模前瞻性临床验证

– 探索与其他甲状腺疾病AI模型的整合

八、结论

卢秀波教授团队的这项研究为甲状腺结节AI诊断领域提供了重要的创新思路。通过将可解释性与高准确性相结合，UltraMC模型成功解决了复杂甲状腺结节诊断的临床难题。该研究不仅在技术上实现了突破，更重要的是为AI在医学影像领域的临床应用建立了信任基础。随着进一步的临床验证和优化，这种可解释的AI诊断模式有望在更多医学影像领域推广应用，推动精准医学的发展。

参考文献

[1] 卢秀波教授团队. 基于数字化超声特征的可解释机器学习模型用于复杂甲状腺结节分类. Radiology: Artificial Intelligence. 2026年3月. DOI: 10.1148/ryai.250383