Consensus on artificial intelligence-assisted ultrasound management for thyroid nodules
-
摘要:
高频超声检查用于甲状腺癌筛查能够降低甲状腺癌特异性死亡率。甲状腺癌筛查计划的推广使甲状腺结节的检出率显著提升，但结节良恶性判断工作明显增加了超声医学科的工作负担。人工智能（AI）在协助判读甲状腺结节良恶性及制定个体化治疗方案方面的有效性已得到初步验证。随着越来越多的AI产品投入，为进一步规范AI技术在甲状腺结节临床诊治中的应用，完善AI辅助甲状腺结节的科学管理策略，由上海市医学会超声医学专科分会人工智能及远程超声学组、上海市社会医疗机构协会超声医学分会人工智能及远程超声专委会、中华医学会超声医学分会血管和浅表器官学组共同牵头，组织该领域专家，参考国内外最新文献和临床研究数据，经充分研讨后达成共识并制定本共识。
Abstract:High-frequency ultrasound for thyroid cancer screening has been proven to reduce thyroid cancer-specific mortality. The promotion of thyroid cancer screening programs has led to a significant increase in the detection rate of thyroid nodules, and the need to differentiate between benign and malignant nodules has substantially increased the workload of ultrasound departments. The effectiveness of artificial intelligence (AI) in assisting the differentiation of benign and malignant thyroid nodules and formulating individualized treatment regimens has been preliminarily demonstrated. As an increasing number of AI products are being applied, in order to further standardize the application of AI technology in the clinical diagnosis and treatment of thyroid nodules, and improve the scientific management strategy of AI-assisted thyroid nodules, the Special Committee on Artificial Intelligence and Remote Ultrasound of Ultrasound Medical Branch of Shanghai Medical Association, the Artificial Intelligence and Remote Ultrasound of Ultrasound Medical Branch of Shanghai Association of Social Medical Institutions, and the Vasculature and Superficial Organ Group of Medical Ultrasound Branch of Chinese Medical Association jointly organized experts in this field. They formulated this consensus after thorough discussion based on the latest domestic and international literatures and clinical research data.
-
Keywords:
- artificial intelligence /
- expert consensus /
- thyroid nodule /
- ultrasonography
-
甲状腺结节在普通人群中的患病率接近25%，其中恶性结节占5%~10%[1]。由于甲状腺超声检查在临床的广泛应用，甲状腺癌已成为临床发病率增长最快的恶性肿瘤之一。高频超声因无创、无辐射、实时及高分辨率等优势，成为甲状腺结节检查的首选方法[2-3]，但其诊断依赖超声医师主观经验及设备条件，存在15%~20%的误诊率[4]。甲状腺良恶性结节声学特征复杂且存在交叉情况，这大大增加了鉴别难度。例如恶性结节常表现为低回声、微钙化等，而良性结节多为等/高回声、囊性等，但恶性结节中约15%表现为等/高回声等类似良性结节的特征[5]；当良性结节合并桥本甲状腺炎时可出现低回声等类似恶性结节的特征[6]；囊性结节内出血或纤维增生时可出现微钙化，易被误判为恶性[7]。此外，甲状腺滤泡状腺瘤与滤泡状癌的超声特征高度重叠，均可能表现为分叶状边界[8]，仅凭声学特征难以准确鉴别，易出现假阳性或假阴性结果[9-10]。尽管甲状腺影像报告和数据系统（thyroid imaging reporting and data system，TI-RADS）应用广泛，但仍存在诊断不一致、恶性率范围过大及不必要穿刺等问题[11]。细针抽吸活检（fine needle aspiration biopsy，FNAB）虽是良恶性鉴别的有效手段，但属有创操作，取样有限、缺乏整体组织结构信息，易因取样误差导致诊断不明确，且需重复操作导致就医成本增加[12]。此外，还存在医疗资源分布不均、超声检查工作量巨大等矛盾。鉴于以上现状，迫切需要人工智能（artificial intelligence，AI）为超声诊断甲状腺结节提供助力。
2017年国务院《新一代人工智能发展规划》明确AI为颠覆性技术，已率先应用于医学领域[13-14]。AI在甲状腺结节超声检出及良恶性鉴别中展现出重要价值，可有效减少不必要的穿刺或手术[15]，并在术前精准诊断[16]、个体化手术方案制定[17]、术后随访[18]等环节提供决策参考，对减轻医师工作负荷、提高诊断效率与质量具有重要现实意义。然而，AI在甲状腺超声中的合理应用及其伦理风险仍存在广泛争议[19]，临床规范化应用亟待推进。为进一步完善AI辅助甲状腺结节超声管理策略[20]，制定《人工智能辅助甲状腺结节超声管理专家共识》具有重要意义。
1 共识制定方法
本共识制订依据包括AI用于甲状腺结节超声检查相关的研究报道、临床共识、国内外指南、国际会议、临床试验和专家个人的临床经验。由2名执笔人对AI用于甲状腺结节超声检查的中英文文献进行检索和评估，检索日期截至2025年7月1日。英文检索平台为PubMed和Web of Science数据库，检索关键词为“artificial intelligence”“expert consensus”“thyroid nodule”“ultrasound screening”“ultrasound diagnosis”“thyroid ultrasound”。中文检索平台为中国知网、万方数据库和中国科技期刊数据库，检索关键词为“人工智能”“专家共识”“甲状腺结节”“超声筛查”“超声诊断”“甲状腺超声”。通过阅读题名、摘要和全文对检索出的文献进行筛选和归类，排除重复、基础研究、无关内容及信息不全的文献，结合部分共识制订小组专家的意见编制调查问卷表。以文献等级优先、同质文献优先及近5年内文献优先为原则，最终纳入共识参考文献73篇。
参与本共识制订的专家组成员主要来自上海市医学会超声医学专科分会人工智能及远程超声学组、上海市社会医疗机构协会超声医学分会人工智能及远程超声专委会、中华医学会超声医学分会血管和浅表器官学组，要求对AI辅助诊断技术在甲状腺结节超声领域的应用充分了解或具备较丰富的临床经验。最终有来自全国34家医疗机构的42位专家入选本共识制订小组，其中4位专家为指导专家。采用推荐意见评估、制订与评价分级（grade of recommendations assessment，development，and evaluation；GRADE）系统[21]确定文献证据的质量，分为4个等级：1级包括高质量随机对照试验（randomized controlled trial，RCT）、权威指南、高质量系统综述及meta分析，2级包括有一定局限性的RCT、队列研究及病例对照研究，3级包括观察性研究，4级包括病例报告、专家意见。
条目达成共识的标准是赞同人数占比≥70%，共识强度依据专家组成员逐条电子问卷投票的意见比例确定，分为以下4个等级：A为高度共识，即支持意见占比≥90%；B为普遍共识，即支持意见占比≥80%但＜90%；C为基本共识，即支持意见占比≥70%但＜80%；D为未达成共识，支持意见占比＜60%直接判定为未达成共识，支持意见占比≥60%且≤69%归为临界无共识或待定共识。
2 条目解读
2.1 AI在甲状腺结节超声筛查中的作用
专家共识：AI辅助甲状腺超声筛查可减少因检查者经验差异带来的误诊和漏诊，减轻超声医师工作负荷，提高诊断准确性。（共识强度：A）
本条目共纳入8篇文献[15-16, 18, 22-26]，其中文献证据等级1级1篇[23]、2级2篇[15, 22]、3级5篇[16, 18, 24-26]。
随着甲状腺结节检测率逐年上升，传统超声诊断方法面临效率低下和高度依赖医师经验的挑战。超声筛查工作量超负荷、超声医师疲劳状态易疏漏超声图像中的某些细微改变，从而导致漏诊、误诊[22]。因此，利用AI高效处理甲状腺超声图像的需求也日益增长。
国内外均有研究表明，AI辅助超声诊断系统可自动识别、勾画病灶并对病灶超声学特征进行收集和处理分析[23-24]。一项多中心研究通过构建深度学习AI模型ThyNet用于鉴别甲状腺结节的良恶性，结果发现ThyNet诊断甲状腺结节良恶性的ROC AUC为0.922，显著高于超声医师单独诊断的0.839；此外，ThyNet辅助诊断将超声医师读片的汇总AUC从0.837提升至0.875[15]。还有学者研究发现，在AI辅助下低年资医师的诊断水平可接近高年资医师水平[18]。通过采集甲状腺结节大宗静态超声图像学习训练后的AI-SONICTM Thyroid自动诊断系统的诊断准确性与资深超声医师相似[16]。AI辅助下每个结节超声图像的平均诊断时间为0.146 s，显著短于医师人工诊断的2.8~4.5 min[25]。另有研究建立了基于AI分析超声视频序列的全自动甲状腺结节检测和诊断系统，在验证队列中AI模型的平均精度为0.914，ROC AUC为0.953，表现优于低年资医师（P＝0.016），且与高年资医师差异无统计学意义（P＝0.281）[26]。
这些证据表明，AI可作为可靠的辅助工具，在提升经验不足医师的诊断能力方面显示出巨大潜力，有助于缩小不同资历医师之间的诊断水平差距，还可提升读片效率。在医疗资源相对匮乏或缺乏经验丰富医师的地区，AI可为甲状腺结节筛查提供“第二意见”，从而提高诊断的标准化和同质化水平。
2.2 AI在辅助甲状腺结节TI-RADS分类中的作用
专家共识：AI辅助甲状腺结节TI-RADS分类可以提高低年资医师对甲状腺结节的诊断效能，减少不必要的穿刺活检，优化医疗资源。但降类仍需慎重，要结合病史、年龄、其他影像学结果等进行综合评估，并充分考虑可能造成的假阳性及假阴性结果。因此AI辅助TI-RADS分类结果只能作为参考。（共识强度：A）
本条目共纳入15篇文献[5, 15, 23-24, 27-37]，其中文献证据等级1级6篇[23, 27, 30-33]、2级4篇[15, 29, 35, 37]、3级5篇[5, 24, 28, 34, 36]。
从2017年美国放射学会（American College of Radiology，ACR）发布TI-RADS[27]到2020年我国发布中国甲状腺影像报告与数据系统（Chinese thyroid imaging reporting and data system，C-TIRADS）[31]，中美两国均建立了适合本国国情的甲状腺结节超声诊断分类指南。TI-RADS以评估结节的内部结构、回声、纵横比、边界、强回声点的形态这5类特征为基础，并采用积分法进行风险分级[28]，为医师提供了标准化的风险分层和管理系统，总体可以提高超声在诊断甲状腺结节方面的性能，也可减少不必要的穿刺活检[29-30]。C-TIRADS对不同类别结节的处理建议如下：1、2、3类结节无需行超声引导下FNAB，如果结节过大导致压迫症状或出现容貌问题时，可在FNAB证实为良性的前提下选择相应治疗；4A类结节最大径＞15 mm，或为多灶性，或最大径＞10 mm且紧邻被膜、气管或喉返神经时，可行FNAB；4B类结节最大径＞10 mm，或结节紧邻甲状腺被膜、气管、喉返神经，或为多灶性且最大径＞5 mm时可行FNAB，对于最大径≤10 mm的单灶结节，如果结节不紧邻被膜、气管或喉返神经，在充分告知患者的情况下可选择积极监测随访；4C类及5类结节处理建议同4B类结节；6类结节（FNAB已证实Bethesda Ⅵ类的结节）根据结节大小、位置和患者意愿，选择不同的治疗方案[31]。
目前TI-RADS分类在临床上受到超声医师及临床医师的一致认可，但超声仪器设备、成像条件设置、超声医师经验等因素仍不可避免地导致TI-RADS分类诊断结果的判读差异，从而影响相应的临床处理建议[31-33]。已有研究指出，在AI辅助下，利用TI-RADS分类来判断甲状腺结节的性质，其诊断效能与高年资超声医师水平相当[23-24, 34]，超声医师使用AI辅助诊断可有效提高医师之间对甲状腺结节TI-RADS分类诊断结果的一致性，以及对恶性结节诊断的灵敏度、特异度和准确性，从而减少不必要的穿刺活检[15, 35]。Buda等[36]开发了基于深度学习的AI系统，通过甲状腺超声图像判断结节是否需要FNAB，并将AI的活检建议与医师的判断进行比较。结果显示，AI系统的灵敏度和特异度与医师的水平相似，差异无统计学意义。为了适应患者需求和减轻医疗服务负担，肖海鹏团队利用深度学习技术基于近2万张甲状腺结节超声图像构建了AI诊断模型ThyNet，并与12名资深超声医师进行交互，用7个中心的数据集对模型进行了验证，结果发现ThyNet在外部多中心验证集中的准确率优于拥有10年以上甲状腺超声诊断经验专家的水平，结合ThyNet和ACR TI-RADS指南建立的AI辅助决策模型使临床上需要行FNAB患者的比例从87.7%下降到了53.4%[15]。可见，AI可以客观提取甲状腺结节病灶特征进行分析和辅助TI-RADS分类判读，提高低年资医师对甲状腺结节的诊断效能，减少不必要的穿刺，优化医疗资源。
然而，临床上甲状腺结节病理类型多样，病情变化复杂，如甲状腺囊性或囊实性结节内囊性成分的吸收、纤维组织增生、各种类型的钙化等，使其呈现恶性表现[5]，当给超声医师TI-RADS分类带来困难时，即使运用AI工具辅助判读亦不能真实反映该类结节的良恶性，可能会高估恶性风险。一项前瞻性研究评估了AI决策支持系统（AI-driven decision support system，AI-DSS）用于非专科内分泌门诊甲状腺结节超声特征分类和ACR TI-RADS/美国甲状腺协会（American Thyroid Association，ATA）风险分层的效果，通过对80例患者的研究发现，AI-DSS独立使用时倾向于高估风险，与普通内分泌科医师的ACR TI-RADS评分一致性仅为中等，提示在低恶性率环境中需作为辅助工具而非替代方案，以避免过度转诊[37]。在临床实际工作中，有经验的超声医师通过详细询问患者病史和病情、对比长期随访影像资料等可以降级调整TI-RADS分类，从而避免高估此类可疑结节TI-RADS分类。
因此，AI辅助诊断系统虽然高效、智能化，可为甲状腺结节的良恶性风险提供新的途径，减轻医师工作负荷，但临床上需要结合病史、年龄、其他影像学结果等综合评估，并充分考虑可能造成的假阳性及假阴性情况，AI辅助TI-RADS分类结果只能作为辅助参考。
2.3 AI在甲状腺结节良恶性鉴别诊断中的作用
专家共识：AI辅助诊断系统可以辅助低年资超声医师进行甲状腺结节良恶性鉴别，有效提高医师之间诊断的一致性，但尚不能完全替代人工诊断。（共识强度：A）
本条目共纳入15篇文献[5, 38-51]，其中文献证据等级1级2篇[39-40]、2级2篇[38, 47]、3级11篇[5, 41-46, 48-51]。
超声检查虽然简便、无创、性价比高，但良恶性甲状腺结节超声特征有许多相似之处，而且检查结果受检查者、检查设备及患者甲状腺基础病变等因素影响，同一个甲状腺结节不同的超声医师可能会做出两种截然不同的判断，甚至同一位医师短期内也可能做出不同的诊断。虽然FNAB被认为是区分甲状腺良恶性结节的高可靠性术前诊断技术，但经过FNAB仍有高达1/3的结节无法术前定性[38]。即使FNAB结果为BethesdaⅢ和Ⅳ类，其最终诊断也不是确定的[39]。在这些患者中选择诊断性手术的，有≤25%的结节最后病理诊断为甲状腺癌[40]。因此，采用无创高效精准的影像学方法，以及提高对不同医师之间或者同一医师多次对结节性质判断的一致性、客观性和可重复性，对甲状腺结节的临床管理非常重要[41]。
通过计算机对大量甲状腺良恶性结节的超声图像进行深度学习，建立AI辅助诊断系统，实现对甲状腺良恶性结节超声图像特征的客观提取，对甲状腺良恶性结节的诊断有较高的准确度、灵敏度和特异度[42-43]，有利于超声医师克服单凭肉眼或经验判读结节特征较为主观这一局限性，可有效减小观察者内和观察者间的差异，并且有助于提高低年资医师对甲状腺结节的诊断水平[5]。在与不同指南的比较中，一项研究比较了6种超声指南与AI-SONICTM系统，结果显示AI-SONICTM在评估髓样甲状腺癌（medullary thyroid carcinoma，MTC）时具有较佳的特异度（85.6%）和阳性预测值（67.5%）[44]。另一项研究评估了动态AI超声智能辅助诊断系统，在分析1 007个甲状腺结节后发现，其诊断灵敏度为92.21%，特异度为83.20%，准确率为89.97%，与术后病理结果高度一致（Kappa＝0.737），且具有操作简单、安全、高效便捷、无创、重复性好等优势，可有效辅助医师为患者制定合理的个体化诊疗策略，避免不必要的有创性诊断及诊断性手术，防止临床对甲状腺结节的过度治疗，节约社会医疗资源[45]。
此外，有团队采用深度学习框架，整合二维超声与应变弹性成像，构建AI诊断融合模型对TI-RADS 4类结节实现恶性风险精准预测，发现在内部测试集中，融合模型的AUC为0.937（95%CI 0.917~0.949），准确度为0.921，灵敏度为0.923，特异度为0.914；在外部验证集中，融合模型的AUC为0.927（95%CI 0.907~0.948），准确度为0.887，灵敏度为0.89，特异度为0.875；研究将AI智能诊断融合模型与不同临床经验的超声医师进行对比，发现在外部验证集中，低、中、高年资超声医师的AUC分别为0.677（95%CI 0.641~0.713）、0.718（95%CI 0.673~0.761）和0.814（95%CI 0.773~0.853），诊断性能均显著低于AI智能诊断融合模型；当医师借助该模型辅助诊断时，低、中、高年资医师的AUC分别提升至0.799、0.810、0.834，可弥补医师经验差异带来的诊断波动，提高诊断的准确性和一致性[46]。基于大量的研究证据表明，AI在辅助超声诊断甲状腺结节良恶性方面具有很高的诊断价值，其诊断性能通常与高年资医师相当，甚至在某些指标上更优。
然而，AI的性能并非在所有情况下都超越人类专家。一项研究比较发现，计算机辅助诊断（computer aided diagnosis，CAD）系统对于良恶性甲状腺结节的诊断灵敏度（71.5% vs 95.2%，P＜0.001）和AUC（0.788 vs 0.906，P＜0.001）低于高年资超声医师，但两者特异度相当（86.0% vs 86.0%，P＞0.05）[47]。另一项研究比较了市售超声设备S-Detect系统与ACR TI-RADS对甲状腺结节良恶性的诊断效能，发现S-Detect的灵敏度（98.1% vs 84.6%）更高，但特异度（19.0% vs 40.5%）更低，结果表明AI对甲状腺癌诊断的灵敏度与高年资医师相似[48]。但与AI相比，高年资医师对甲状腺癌的诊断具有更高的特异度[5, 49-51]，表明其目前尚不能完全替代人工诊断。
2.4 AI在术前预测甲状腺恶性肿瘤病理分型中的作用
专家共识：AI通过机器学习及深度学习的方法可以在复杂的医学成像数据和疾病预测之间建立直接联系，准确提取甲状腺癌中重要的超声图像特征，探索AI在术前预测甲状腺恶性肿瘤病理分型的应用潜力，有望为临床诊疗决策提供辅助参考。但目前尚未形成客观、规范、统一的诊断标准，尚无法代替穿刺活检的作用为制定治疗方案提供依据，未来通过多中心前瞻性研究构建标准化数据集，有望提高AI在术前预测甲状腺恶性肿瘤病理分型中的应用价值。（共识等级：A）
本条目共纳入13篇文献[8, 52-63]，其中文献证据等级1级1篇[52]、2级1篇[57]、3级11篇[8, 53-56, 58-63]。
《中国抗癌协会甲状腺癌整合诊治指南（2022精简版）》指出，基于大量超声图像训练的AI模型可以辅助诊断甲状腺癌[52]。然而，甲状腺癌的病理类型多样，不同病理类型甲状腺癌的超声表现也具有各自的特点。在甲状腺超声检查中，微钙化更常见于甲状腺乳头状癌（papillary thyroid carcinoma，PTC）[53]；明显低回声、分叶状或不规则边界、边缘钙化是甲状腺滤泡状癌（follicular thyroid carcinoma，FTC）常规超声的显著特征[8]；MTC独特的声像特征包括位于甲状腺中上部、回声明显降低、边缘相对光滑、呈圆形或椭圆形、血流丰富、淋巴结转移率高[54]；甲状腺未分化癌（anaplastic thyroid carcinoma，ATC）超声常表现为不均匀低回声、形态不规整、边界不清、粗大钙化、血流丰富、伴周围侵犯[55-56]。这些相对特异的超声表现为AI在术前预测甲状腺癌的病理分型奠定了形态学基础。
目前AI联合超声图像对甲状腺恶性肿瘤病理分型的预测研究较少，但也取得了一些进展。Li等[57]构建了多模态大模型ThyGPT AI用于甲状腺结节超声智能辅助诊断与管理，其可避免对低风险患者进行不必要的甲状腺切除术或FNAB，尤其使大部分PTC患者受益。有研究通过深层残差网络对PTC、MTC、ATC和FTC进行预测分类，除ATC灵敏度较低外（仅为0.57），其余3类的灵敏度均达到0.70以上，总体准确度达0.722，且各级别特异度均在0.75以上[58]。针对ATC鉴别诊断困难的临床痛点，有学者使用基于人工神经网络和支持向量机（support vector machine，SVM）的分类器模型于术前超声鉴别滤泡性腺癌和腺瘤，发现2种分类器模型的鉴别准确度均高于超声医师的平均值，但灵敏度较低[59]；Xu等[60]使用通用型超声甲状腺结节AI辅助诊断系统AI-SONICTM Thyroid对包括FTC、滤泡性腺瘤和腺瘤样增生结节在内的699个结节进行良恶性鉴别，发现AI-SONICTM Thyroid系统诊断准确度显著高于资深超声医师（71% vs 62%），尽管2名超声医师的诊断灵敏度（分别为84%和78%）高于AI-SONICTM Thyroid系统（69%），但特异度（分别为35%和57%）显著低于AI-SONICTM Thyroid系统（71%），另有1名资深超声医师诊断灵敏度（62%）和特异度（54%）较为平衡，但均低于AI-SONICTM Thyroid系统。表明基于AI辅助超声无创鉴别诊断FTC与良性滤泡性肿瘤是能够实现的。Chen等[61]提出了一个多尺度重缩放融合网络模型，结合了多尺度图像处理和重缩放增强图像模块，能显著提升超声影像鉴别FTC与滤泡性腺瘤的准确性，为临床提供了精准的术前诊断工具。Zheng等[62]针对FTC与滤泡性腺瘤术前超声与临床特征难以区分的临床痛点，纳入780例患者，基于临床参数和超声特征构建7种机器学习模型，经对比验证发现极端梯度提升模型（eXtreme gradient boosting，XGBoost）为最优模型，外部验证集AUC达0.969，并通过Shapley加性解释（Shapley additive explanation）方法实现模型可解释，为FTC术前无创精准鉴别提供了可解释、高准确性的AI辅助工具。
以上是不同学者基于超声图像，使用AI技术于术前预测甲状腺癌不同病理分型的尝试，但由于使用的神经网络、学习方法、分类器模型不同，在结节的训练集选择、特征分配和测量方面不可避免地会受到观察者间变异和超声仪器的影响，导致结果也存在差异，目前尚未形成客观、规范、统一的诊断标准。另外，大部分研究属于回顾性单中心设计，纳入对象难免存在选择偏倚；且部分病理分型如MTC、ATC发病率较低，获取大样本比较困难，相关研究为解决数据集较小产生的过拟合现象，采用迁移学习的方法增加样本量[63]，但未来仍需要扩大模型的适用范围，通过多中心前瞻性研究构建标准化数据集来评估AI对甲状腺癌病理分型的分类诊断效能，进一步提高其临床应用和推广价值。
2.5 AI在术前预测甲状腺癌淋巴结转移中的作用
专家共识：AI可在甲状腺超声图像中捕捉超声医师肉眼不可见的细节信息，通过AI自动分析，结合原发性甲状腺肿瘤超声图像来预测淋巴结转移，可作为术前淋巴结转移与否的辅助评估方式。但尚无一种普遍最优的算法模型，亦不能作为临床制定治疗方案的依据。（共识强度：A）
本条目共纳入16篇文献[30, 32, 52, 64-76]，其中文献证据等级1级7篇[30, 32, 52, 64-67]、2级2篇[72-73]、3级7篇[68-71, 74-76]。
甲状腺恶性肿瘤中最常见的是PTC，病灶复发或淋巴结转移是影响PTC患者预后的高危因素[64-65]。治疗前精准预测颈部淋巴结转移情况对选择治疗方式、提高疗效、改善预后有重要作用[66]。常规超声对颈部中央区显示受限，单纯超声检查识别早期甲状腺癌及淋巴结转移有局限[30]，特异度尚可但灵敏度不足，常常漏诊微小转移或隐匿性转移，可能导致手术范围不足[32]，因此需弥补超声医师人工扫查对甲状腺恶性肿瘤患者淋巴结评估的不足。
《中国抗癌协会甲状腺癌整合诊治指南（2022精简版）》[52]和《甲状腺结节和分化型甲状腺癌诊治指南（第二版）》[67]均指出，基于大量超声图像训练的AI模型可以辅助判断甲状腺癌的淋巴结转移，尽管目前主要作为辅助诊断技术，但其在提高诊断效率和准确性方面的价值已获得初步认可。当前研究主要集中于各种AI模型的开发和验证，以期提高预测的准确性、可解释性和临床实用性，从而优化患者的治疗决策[68-69]。
目前，大量研究利用术前影像学资料（主要是超声和CT检查资料）构建AI模型来预测甲状腺癌的淋巴结转移，这些模型展现出较好的预测效能。Wu等[70]构建了7种机器学习模型，发现7种模型的AUC范围为0.680~0.731，所有模型在预测中央区淋巴结转移方面的表现均优于常规超声（AUC＝0.623），差异均有统计学意义（均P＜0.05），其中梯度提升决策树模型最佳。Yu等[71]比较了多种模型预测PTC患者淋巴结转移的效能，迁移学习影像组学模型AUC达0.90，优于其他3种模型。这些证据表明，基于影像学的深度学习模型能够有效提升淋巴结转移的预测准确性，并可作为医师的有力辅助工具。
为了进一步提升甲状腺癌淋巴结转移预测的准确性，研究者们已开始探索整合多种来源数据（如临床特征、超声特征、基因组学、病理学特征）的多模态AI模型。这些模型通过捕捉不同维度信息之间的复杂关联，通常表现出比单模态模型更优的性能。
一项多中心研究开发了一种结合深度学习、临床特征和超声特征的列线图，用于预测颈中央区淋巴结转移，该模型在外部验证队列中的AUC为0.829，其决策曲线分析显示临床预测能力优于其他模型[72]。另一项研究提出一种融合深度学习和超声组学的方法，选择构建SVM模型的相关特征，通过分析瘤内和瘤周成像特征，发现超声组学-深度学习融合SVM模型的AUC为0.897（内部验证）和0.881（外部测试集），能够准确预测甲状腺癌淋巴结转移[73]。还有研究将组织病理图像、基因组、转录组及免疫细胞数据相结合，开发的深度学习多模态模型在预测淋巴结转移方面，训练队列、验证队列和真实世界队列的AUC分别达到了0.86、0.84和0.83[68]。Shen等[74]开发的侧颈区淋巴结转移网络（lateral lymph node metastasis network，LLNM-Net）模型，融合了超声图像、放射学报告、病理结果和人口统计学信息等多模态数据，在多中心测试中AUC为0.944，准确率为84.7%，显著优于人类专家的准确率（64.3%）。这些研究结果表明，多模态数据融合是提升AI模型预测性能的有效策略，能够更全面、更精准地评估甲状腺癌淋巴结转移风险。
在构建AI预测模型的过程中，研究者们应用了多种机器学习算法，并通过比较它们的性能来选择最优模型。常见的算法包括logistic回归、随机森林、SVM、XGBoost、决策树和神经网络等。一项针对710例甲状腺乳头状微小癌患者的研究显示，在8种机器学习算法中，随机森林模型在验证集中表现最佳，AUC为0.893[75]。然而，也有研究得出了不同的结论，在区分有无淋巴结转移的PTC样本时，SVM和多层感知器（multilayer perceptron）算法的准确率均接近100%[76]。这些结果表明，不同算法的性能可能受数据集特征、样本量和所选变量的影响，不存在一种普遍最优的算法。因此，在模型开发时，需要根据具体研究场景，通过交叉验证等方法系统评估和比较多种算法，以选择最适合当前任务的模型。
2.6 AI在预测甲状腺癌治疗效果中的作用
专家共识：利用AI技术深度挖掘甲状腺结节超声图像的精细特征及相关临床分子信息，AI可作为预测患者常规预后评估的补充方式，但尚不能作为制定治疗方案的临床依据，其在治疗方案选择中的指导价值需结合更长周期的生存数据进一步确认。（共识强度：A）
本条目共纳入10篇文献[15, 68, 77-84]，其中文献证据等级1级2篇[78-79]、2级5篇[15, 77, 81, 83-84]、3级3篇[68, 80, 82]。
大多数甲状腺癌为分化型甲状腺癌，如PTC通常预后良好，可通过手术和放射碘等标准治疗进行有效管理[77]。然而，部分侵袭性亚型如ATC预后极差，需要更积极的治疗策略，包括靶向治疗和免疫治疗。随着对甲状腺癌分子机制认识的加深，包括B-Raf原癌基因，丝氨酸/苏氨酸激酶（B-Raf proto-oncogene，serine/threonine kinase；BRAF）、转染重排（rearranged during transfection，RET）等基因突变以及肿瘤微环境的复杂作用，个体化治疗和精准预测治疗反应成为临床亟待解决的关键问题。
目前，ATA风险分层以及美国癌症联合委员会制定的TNM分期和MACIS评分系统主要根据患者年龄、肿瘤情况及淋巴结状态等传统临床病理指标评估甲状腺癌死亡和术后复发风险[30, 78-79]，但对于远期预后评估的价值有限，AI模型有望在预测甲状腺癌患者的复发风险和生存结局方面表现出优于传统临床病理因素的潜力。
BRAF基因突变被证实是反映甲状腺癌高度侵袭性的分子指标，其与甲状腺癌复发、不良预后密切相关[80]，ATA指南已提及BRAF突变状态可辅助临床医师进行危险评估但未常规推荐[30]。有学者开发了一种集成深度学习模型BrafSwinT来确定PTC中的BRAF V600E状态，发现该模型在外部测试集中预测BRAF基因突变的AUC为0.869，优于原始SwinT、Vision Transform和ResNeSt-50模型（AUC＝0.824、0.782、0.800，P＝0.041、0.017、0.022），且在基于常规超声图像和基本临床信息确定PTC中BRAF V600E突变状态方面显示出较好的结果，有助于风险分层，预测PTC的预后[81]。
2025年发表的一项回顾性研究，开发了一种基于术前超声图像的深度学习放射组学指数（deep learning radiomics index，DLRI）来预测PTC患者的手术预后，该研究纳入了来自2个独立中心的2 506例患者[82]。结果显示，DLRI在训练集1中的AUC为0.97，在外部验证集1中的AUC为0.82，表明其具有较高的预测准确性。高风险DLRI评分与较差的无病生存期（disease-free survival，DFS）显著相关，在第1个队列中，高风险组的复发HR为16.49；在第2个队列中，HR为5.42。重要的是，DLRI是独立于临床病理变量的预后预测因子（P＜0.001），表明其是一种可靠的非侵入性预后评估工具。另一项2025年发表的研究利用深度学习多模态模型整合了1 011例PTC患者的手术病理图像、基因组、转录组及免疫细胞数据，以预测DFS，该模型识别出的高风险患者DFS显著缩短，在1、3和5年预后预测中AUC分别达到了0.91、0.93和0.87，凸显了多模态数据融合在精准预测术后复发风险方面的优势[68]。
尽管上述诸多AI模型技术指标在预测甲状腺癌预后方面表现优异（如高AUC），但目前仍缺乏证明其能真正改善患者临床结局（如生存率、生活质量）或优化医疗资源配置（如减少不必要活检）的效用研究[83]。对于MTC、ATC等少见且侵袭性强的亚型，由于病例数少，难以获得足够的数据来训练和验证可靠的AI模型[84]。因此，目前基于卷积神经网络的AI模型虽可以基于甲状腺癌的超声影像对治疗预后进行预测，但准确性有待提高[15]，可作为常规预后评估方式的补充，尚不能作为制定治疗方案的临床依据。
2.7 AI在特殊类型甲状腺结节诊断中的应用局限
专家共识：AI在诊断特殊或复杂甲状腺结节病例时仍面临挑战，其性能可能受到多种因素影响，须不断构建完善行业验证数据库以提高模型效能，目前在临床的普及应用受限。（共识强度：A）
本条目共纳入文献6篇[6-7, 25, 85-87]，其中文献证据等级1级1篇[85]、3级5篇[6-7, 25, 86-87]。
一项系统评价和meta分析显示，对于FNAB结果不确定的甲状腺结节，AI模型的汇总AUC为0.82，其中深度学习模型表现优于机器学习模型（0.85 vs 0.75），但研究者指出当前模型性能尚不适合在临床直接实施，需要更强的外部验证[85]。而在合并桥本甲状腺炎的甲状腺结节患者中，动态AI系统的特异度显著高于基于ACR TI-RADS的术前超声，且灵敏度显著高于FNAB[6]，这提示动态AI在背景复杂的慢性甲状腺炎环境中仍能保持较好的诊断价值。但在诊断特殊病例时（如亚急性甲状腺炎、出血性囊肿、木乃伊结节等），AI模型仍可能出现误判[7]。
此外，AI的诊断性能还可能受甲状腺结节大小和超声切面影响。研究发现，AI系统在诊断甲状腺中小结节（≤25 mm）时表现出更高的灵敏度[25]，对于≥1 cm的甲状腺结节AI辅助TI-RADS分类则表现出高特异度和准确度[86]。此外，AI辅助甲状腺超声在横切面上的诊断性能优于纵切面，尤其适用于高风险结节[87]。
鉴于甲状腺结节存在以上特殊复杂的临床情况，相关证据表明AI模型的性能高度依赖于训练数据的质量和图像采集类型。临床工作中应避免不当的超声参数设置（如增益过高或过低），或由经验不足的超声医师非规范采集静态超声图像后直接进行AI辅助评估，有可能显著降低AI系统的检测能力和诊断效能。
3 结语
随着甲状腺癌检出率的升高，诊断和预后评估的精准化需求越来越大，AI技术可应用于甲状腺结节自动检测、分割、特征提取、精准分类、良恶性鉴别、风险分层及预后评估等多方面，不仅有利于提高医师的诊断准确率和缩短诊断时间，更为超声检查补充了相对客观的“第二建议”，弥补了超声检查过程中低标准化、高主观性等缺点。在大数据背景下，构建AI辅助术前精准、无创诊断甲状腺结节良恶性、预测甲状腺恶性肿瘤病理分型、预测颈部淋巴结转移、预测甲状腺癌预后的超声智能诊疗技术应用共识，对于促进甲状腺结节的超声AI辅助科学管理具有深远意义[88]。
尽管AI潜力巨大，但在临床实践中，其泛化能力、可解释性、数据依赖性及与临床工作流程的整合仍然是研究的焦点和挑战。临床应用中存在以下共性问题：（1）缺乏规范统一的基础技术框架，现有的AI医学影像诊断模型尚未形成标准化技术模型；（2）缺少大规模、高质量、可共享和可解析的标准化医疗数据库，建议建立行业验证数据库；（3）AI模型的可解释性较低，患者接受度不高，其复杂算法结果难以解释；（4）现有AI模型并不完美，仍存在漏诊或误诊的情况，例如目前AI对甲状腺结节中的滤泡性肿瘤的识别仍具挑战性，亚型分类和预后预测还需深入研究。因此，未来可依托医学影像多中心大数据及标准化、规范化的数据采集流程，纳入不同地域、年龄、性别的患者数据，减少数据异质性对AI模型的影响，开展大规模前瞻性多中心验证研究，建立标准化图像采集协议，开发鲁棒性更强的AI模型，制定并推广标准化图像采集指南，研发处理多源多质量图像的AI算法，并对表现优异的AI模型进行严格的外部验证；在多中心回顾性和前瞻性临床队列中，尝试整合高通量蛋白质组学和AI技术，通过穿刺样本利用微量蛋白质组学检测结合AI方法，提高结节良恶性诊断的准确率，降低FNAB的假阴性，明确细胞学检查无法确诊的病例[89]，评估AI模型与现有分子标志物检测的诊断准确性；同时，积极开发具备可解释性的AI模型，进行深度分析，探索甲状腺肿瘤及其微环境的高效能指标，以期实现对甲状腺结节风险的有效分类和个体化预后精准预测，从而协助临床医师在术前诊断到术后评估的全过程中做出精准化管理决策。在伦理安全保障方面，数据隐私保护原则是医疗AI系统伦理准则的重要组成部分，AI应用需严格遵守《中华人民共和国个人信息保护法》，确保患者数据在收集、存储、处理和传输过程中的安全性与合法性。同时关注算法公正性，确保其决策过程能够公平、无偏见地对待所有患者，同时确保系统具备透明度与可解释性，以增强公众对技术的信任。
共识制定小组成员
指导专家：徐辉雄（复旦大学附属中山医院）、章建全（上海百汇医院、上海国际医学中心）、吴蓉（上海交通大学医学院附属第一人民医院）、郭佳（上海中医药大学附属曙光医院）
专家组组长：赵佳琦（同济大学附属上海市第四人民医院）、张一峰（上海交通大学医学院附属第一人民医院）
执笔：陈蕊（上海中医药大学附属曙光医院）、郑一君（上海中医药大学附属曙光医院）
专家组成员（按姓氏笔画顺序排列）：丁红（复旦大学附属华山医院）、马步云（四川大学华西医院）、王知力（中国人民解放军总医院第一医学中心）、白文坤（同济大学附属同济医院）、包凌云（西湖大学附属杭州市第一人民医院）、朱庆莉（北京协和医院）、任杰（中山大学附属第三医院）、任新平（上海交通大学医学院附属瑞金医院）、李颖嘉（南方医科大学南方医院）、杨少玲（上海市第八人民医院）、吴蓉（上海交通大学医学院附属第一人民医院）、宋烨（上海市浦东新区周浦医院）、宋宏萍（空军军医大学第一附属医院）、余锦华（复旦大学）、应涛（上海交通大学医学院附属第六人民医院）、张燕（上海中医药大学附属曙光医院）、张麒（上海大学）、张一峰（上海交通大学医学院附属第一人民医院）、陈林（复旦大学附属华东医院）、陈蕊（上海中医药大学附属曙光医院）、罗葆明（中山大学孙逸仙纪念医院）、罗渝昆（中国人民解放军总医院第一医学中心）、周琦（西安交通大学第二附属医院）、周世崇（复旦大学附属肿瘤医院）、周建桥（上海交通大学医学院附属瑞金医院）、郑一君（上海中医药大学附属曙光医院）、赵佳琦（同济大学附属上海市第四人民医院）、胡滨（复旦大学医学院附属闵行区中心医院）、姜立新（上海交通大学医学院附属仁济医院）、姚炜（杨浦区中心医院）、袁海霞（上海市普陀区中心医院）、聂芳（兰州大学第二医院）、徐辉雄（复旦大学附属中山医院）、郭佳（上海中医药大学附属曙光医院）、郭芳琪（同济大学附属上海市第四人民医院）、章建全（上海百汇医院、上海国际医学中心）、彭玉兰（四川大学华西医院）、董怡（上海交通大学医学院附属新华医院）、董凤林（苏州大学附属第一医院）、蒋卓韵（上海理工大学）、程文（哈尔滨医科大学肿瘤医院）、熊屏（上海交大医学院附属第九人民医院）
-
[1] GRANI G, SPONZIELLO M, FILETTI S, et al. Thyroid nodules:diagnosis and management[J]. Nat Rev Endocrinol, 2024, 20(12):715-728. DOI: 10.1038/s41574-024-01025-4. [2] HA E J, CHUNG S R, NA D G, et al. 2021 Korean thyroid imaging reporting and data system and imaging-based management of thyroid nodules: Korean society of thyroid radiology consensus statement and recommendations[J]. Korean J Radiol, 2021, 22(12): 2094. DOI: 10.3348/kjr.2021.0713. [3] HA E J, NA D G, BAEK J H. Korean thyroid imaging reporting and data system: current status, challenges, and future perspectives[J]. Korean J Radiol, 2021, 22(9): 1569. DOI: 10.3348/kjr.2021.0106. [4] DURANTE C, GRANI G, LAMARTINA L, et al. The diagnosis and management of thyroid nodules: a review[J]. JAMA, 2018, 319(9): 914. DOI: 10.1001/jama.2018.0898. [5] JIN Z, ZHU Y, ZHANG S, et al. Ultrasound computer-aided diagnosis (CAD) based on the thyroid imaging reporting and data system (TI-RADS) to distinguish benign from malignant thyroid nodules and the diagnostic performance of radiologists with different diagnostic experience[J]. Med Sci Monit, 2020, 26: e918452. DOI: 10.12659/msm.918452. [6] WANG B, WAN Z, ZHANG M, et al. Diagnostic value of a dynamic artificial intelligence ultrasonic intelligent auxiliary diagnosis system for benign and malignant thyroid nodules in patients with Hashimoto thyroiditis[J]. Quant Imaging Med Surg, 2023, 13(6): 3618-3629. DOI: 10.21037/qims-22-889. [7] LOZAN O, LEDERER A K, BOUZAKRI N, et al. Training of diagnostic artificial intelligence in thyroid sonography: how well is deep learning truly learning?[J]. Br J Surg, 2025, 112(Suppl 8): znaf096.003. DOI: 10.1093/bjs/znaf096.003. [8] LIU B J, ZHANG Y F, ZHAO C K, et al. Conventional ultrasound characteristics, TI-RADS category and shear wave speed measurement between follicular adenoma and follicular thyroid carcinoma[J]. Clin Hemorheol Microcirc, 2020, 75(3): 291-301. DOI: 10.3233/ch-190750. [9] LIU X, CHANG D, XIE D. Diagnostic value of color Doppler ultrasonography in detecting calcifications in thyroid nodules for benign and malignant nodules[J]. J Med Imaging Hlth Inform, 2020, 10(7): 1621-1630. DOI: 10.1166/jmihi.2020.3082. [10] ZHOU H, JIN Y, DAI L, et al. Differential diagnosis of benign and malignant thyroid nodules using deep learning radiomics of thyroid ultrasound images[J]. Eur J Radiol, 2020, 127: 108992. DOI: 10.1016/j.ejrad.2020.108992. [11] SHI Y X, CHEN L, LIU Y C, et al. Differences among the thyroid imaging reporting and data system proposed by Korean, the American College of Radiology and the European Thyroid Association in the diagnostic performance of thyroid nodules[J]. Transl Cancer Res TCR, 2020, 9(8): 4958-4967. DOI: 10.21037/tcr-19-2870. [12] SARI R, YILMAZ N, CANSU G, et al. Cytopathology-histopathology correlation and the effect of nodule diameter on diagnostic performance in patients undergoing thyroid fine-needle aspiration biopsy[J]. J Can Res Ther, 2020, 16(8): 53. DOI: 10.4103/jcrt.jcrt_219_18. [13] ZHANG Y, JIANG B, ZHANG L, et al. Lung nodule detectability of artificial intelligence-assisted CT image reading in lung cancer screening[J]. Curr Med Imaging, 2022, 18(3): 327-334. DOI: 10.2174/1573405617666210806125953. [14] 吴绯红, 赵煌旋, 杨帆, 等. 医学影像+人工智能的发展、现状与未来[J]. 临床放射学杂志, 2022, 41(4): 764-767. DOI: 10.13437/j.cnki.jcr.2022.04.022. [15] PENG S, LIU Y, LV W, et al. Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study[J]. Lancet Digit Health, 2021, 3(4): e250-e259. DOI: 10.1016/S2589-7500(21)00041-8. [16] 郭芳琪, 赵佳琦, 陈蕊, 等. 2.0版人工智能自动检测系统对甲状腺结节术前超声评估效能的初步探讨[J]. 第二军医大学学报, 2020, 41(10): 1077-1083. DOI: 10.16781/j.0258-879x.2020.10.1077. [17] DESAI S B, PAREEK A, LUNGREN M P. Current and emerging artificial intelligence applications for pediatric interventional radiology[J]. Pediatr Radiol, 2022, 52(11): 2173-2177. DOI: 10.1007/s00247-021-05013-y. [18] HE L T, CHEN F J, ZHOU D Z, et al. A comparison of the performances of artificial intelligence system and radiologists in the ultrasound diagnosis of thyroid nodules[J]. Curr Med Imaging, 2022, 18(13): 1369-1377. DOI: 10.2174/1573405618666220422132251. [19] LUDWIG M, LUDWIG B, MIKUA A, et al. The use of artificial intelligence in the diagnosis and classification of thyroid nodules: an update[J]. Cancers, 2023, 15(3): 708. DOI: 10.3390/cancers15030708. [20] LIU Y, SHAN Z, Endocrine Metabolic Diseases Group of the Chinese Geriatrics Society, et al. Expert consensus on diagnosis and treatment for elderly with thyroid diseases in China (2021)[J]. AGING MEDICINE, 2021, 4(2): 70-92. DOI: 10.1002/agm2.12165. [21] SCHÜNEMANN H J, FRETHEIM A, OXMAN A D. Improving the use of research evidence in guideline development: 9. Grading evidence and recommendations[J]. Health Res Policy Syst, 2006, 4(1): 21. DOI: 10.1186/1478-4505-4-21. [22] HOANG J K, MIDDLETON W D, FARJAT A E, et al. Interobserver variability of sonographic features used in the American College of Radiology thyroid imaging reporting and data system[J]. AJR Am J Roentgenol, 2018, 211(1): 162-167. DOI: 10.2214/AJR.17.19192. [23] POTIPIMPANON P, CHARAKORN N, HIRUNWIWATKUL P. A comparison of artificial intelligence versus radiologists in the diagnosis of thyroid nodules using ultrasonography: a systematic review and meta-analysis[J]. Eur Arch Oto Rhino Laryngol, 2022, 279(11): 5363-5373. DOI: 10.1007/s00405-022-07436-1. [24] WU G G, LV W Z, YIN R, et al. Deep learning based on ACR TI-RADS can improve the differential diagnosis of thyroid nodules[J]. Front Oncol, 2021, 11: 575166. DOI: 10.3389/fonc.2021.575166. [25] GUO F, CHANG W, ZHAO J, et al. Assessment of the statistical optimization strategies and clinical evaluation of an artificial intelligence-based automated diagnostic system for thyroid nodule screening[J]. Quant Imaging Med Surg, 2023, 13(2): 695-706. DOI: 10.21037/qims-22-85. [26] LIU D, YANG K, ZHANG C, et al. Fully-automatic detection and diagnosis system for thyroid nodules based on ultrasound video sequences by artificial intelligence[J]. J Multidiscip Healthc, 2024, 17: 1641-1651. DOI: 10.2147/jmdh.s439629. [27] TESSLER F N, MIDDLETON W D, GRANT E G, et al. ACR thyroid imaging, reporting and data system (TI-RADS): white paper of the ACR TI-RADS committee[J]. J Am Coll Radiol, 2017, 14(5): 587-595. DOI: 10.1016/j.jacr.2017.01.046. [28] WANG Y, LEI K R, HE Y P, et al. Malignancy risk stratification of thyroid nodules: comparisons of four ultrasound thyroid imaging reporting and data systems in surgically resected nodules[J]. Sci Rep, 2017, 7: 11560. DOI: 10.1038/s41598-017-11863-0. [29] HUANG E Y F, KAO N H, LIN S Y, et al. Concordance of the ACR TI-RADS classification with Bethesda scoring and histopathology risk stratification of thyroid nodules[J]. JAMA Netw Open, 2023, 6(9): e2331612. DOI: 10.1001/jamanetworkopen.2023.31612. [30] HAUGEN B R, ALEXANDER E K, BIBLE K C, et al. 2015 American Thyroid Association management guidelines for adult patients with thyroid nodules and differentiated thyroid cancer: the American Thyroid Association guidelines task force on thyroid nodules and differentiated thyroid cancer[J]. Thyroid, 2016, 26(1): 1-133. DOI: 10.1089/thy.2015.0020. [31] 中华医学会超声医学分会浅表器官和血管学组, 中国甲状腺与乳腺超声人工智能联盟. 2020甲状腺结节超声恶性危险分层中国指南: C-TIRADS[J]. 中华超声影像学杂志, 2021, 30(3): 185-200. DOI: 10.3760/cma.j.cn131148-20210205-00092. [32] RUSS G, BONNEMA S J, ERDOGAN M F, et al. European Thyroid Association guidelines for ultrasound malignancy risk stratification of thyroid nodules in adults: the EU-TIRADS[J]. Eur Thyroid J, 2017, 6(5): 225-237. DOI: 10.1159/000478927. [33] SHIN J H, BAEK J H, CHUNG J, et al. Ultrasonography diagnosis and imaging-based management of thyroid nodules: revised Korean Society of Thyroid Radiology consensus statement and recommendations[J]. Korean J Radiol, 2016, 17(3): 370. DOI: 10.3348/kjr.2016.17.3.370. [34] YANG Z, YAO S, HENG Y, et al. Automated diagnosis and management of follicular thyroid nodules based on the devised small-dataset interpretable foreground optimization network deep learning: a multicenter diagnostic study[J]. Int J Surg, 2023, 109(9): 2732-2741. DOI: 10.1097/js9.0000000000000506. [35] ZHAO C K, REN T T, YIN Y F, et al. A comparative analysis of two machine learning-based diagnostic patterns with thyroid imaging reporting and data system for thyroid nodules: diagnostic performance and unnecessary biopsy rate[J]. Thyroid®, 2021, 31(3): 470-481. DOI: 10.1089/thy.2020.0305. [36] BUDA M, WILDMAN-TOBRINER B, HOANG J K, et al. Management of thyroid nodules seen on US images: deep learning may match performance of radiologists[J]. Radiology, 2019, 292(3): 695-701. DOI: 10.1148/radiol.2019181343. [37] FERNÁNDEZ VELASCO P, ESTÉVEZ ASENSIO L, TORRES B, et al. Preliminary analysis of AI-based thyroid nodule evaluation in a non-subspecialist endocrinology setting[J]. Endocrine, 2025, 89(3): 817-825. DOI: 10.1007/s12020-025-04287-8. [38] ALEXANDER E K, KENNEDY G C, BALOCH Z W, et al. Preoperative diagnosis of benign thyroid nodules with indeterminate cytology[J]. N Engl J Med, 2012, 367(8): 705-715. DOI: 10.1056/nejmoa1203208. [39] CIBAS E S, ALI S Z. The 2017 Bethesda system for reporting thyroid cytopathology[J]. Thyroid®, 2017, 27(11): 1341-1346. DOI: 10.1089/thy.2017.0500. [40] AHN H S, KIM H J, WELCH H G. Korea's thyroid-cancer "epidemic" : screening and overdiagnosis[J]. N Engl J Med, 2014, 371(19): 1765-1767. DOI: 10.1056/nejmp1409841. [41] BARCZYSKI M, STOPA-BARCZYSKA M, WOJTCZAK B, et al. Clinical validation of S-DetectTM mode in semi-automated ultrasound classification of thyroid lesions in surgical office[J]. Gland Surg, 2020, 9(Suppl 2): S77-S85. DOI: 10.21037/gs.2019.12.23. [42] CHANG Y, PAUL A K, KIM N, et al. Computer-aided diagnosis for classifying benign versus malignant thyroid nodules based on ultrasound images: a comparison with radiologist-based assessments[J]. Med Phys, 2016, 43(1): 554-567. DOI: 10.1118/1.4939060. [43] CHOI Y J, BAEK J H, PARK H S, et al. A computer-aided diagnosis system using artificial intelligence for the diagnosis and characterization of thyroid nodules on ultrasound: initial clinical assessment[J]. Thyroid, 2017, 27(4): 546-552. DOI: 10.1089/thy.2016.0372. [44] YANG L, LIN N, WANG M, et al. Diagnostic efficiency of existing guidelines and the AI-SONICTM artificial intelligence for ultrasound-based risk assessment of thyroid nodules[J]. Front Endocrinol, 2023, 14: 1116550. DOI: 10.3389/fendo.2023.1116550. [45] WANG B, WAN Z, LI C, et al. Identification of benign and malignant thyroid nodules based on dynamic AI ultrasound intelligent auxiliary diagnosis system[J]. Front Endocrinol, 2022, 13: 1018321. DOI: 10.3389/fendo.2022.1018321. [46] CHU X, WANG T, CHEN M, et al. Deep learning model for malignancy prediction of TI-RADS 4 thyroid nodules with high-risk characteristics using multimodal ultrasound: a multicentre study[J]. Comput Med Imag Graph, 2025, 124: 102576. DOI: 10.1016/j.compmedimag.2025.102576. [47] ZHANG Y, WU Q, CHEN Y, et al. A clinical assessment of an ultrasound computer-aided diagnosis system in differentiating thyroid nodules with radiologists of different diagnostic experience[J]. Front Oncol, 2020, 10: 557169. DOI: 10.3389/fonc.2020.557169. [48] CONG P, WANG X M, ZHANG Y F. Comparison of artificial intelligence, elastic imaging, and the thyroid imaging reporting and data system in the differential diagnosis of suspicious nodules[J]. Quant Imaging Med Surg, 2024, 14(1): 711-721. DOI: 10.21037/qims-23-788. [49] HAN M, HA E J, PARK J H. Computer-aided diagnostic system for thyroid nodules on ultrasonography: diagnostic performance based on the thyroid imaging reporting and data system classification and dichotomous outcomes[J]. AJNR Am J Neuroradiol, 2021, 42(3): 559-565. DOI: 10.3174/ajnr.A6922. [50] JEONG E Y, KIM H L, HA E J, et al. Computer-aided diagnosis system for thyroid nodules on ultrasonography: diagnostic performance and reproducibility based on the experience level of operators[J]. Eur Radiol, 2019, 29(4): 1978-1985. DOI: 10.1007/s00330-018-5772-9. [51] YASAR Y, EMIR S N, Er M R, et al. Can GPT-5.0 interpret thyroid ultrasound images?A comparative TI-RADS analysis with an expert radiologist[J]. Diagnostics (Basel), 2026, 16(2): 313. DOI: 10.3390/diagnostics16020313. [52] 中国抗癌协会甲状腺癌专业委员会. 中国抗癌协会甲状腺癌整合诊治指南(2022精简版)[J]. 中国肿瘤临床, 2023, 50(7): 325-330. DOI: 10.12354/j.issn.1000-8179.2023.20221410. [53] YIN L, ZHANG W, BAI W, et al. Relationship between morphologic characteristics of ultrasonic calcification in thyroid nodules and thyroid carcinoma[J]. Ultrasound Med Biol, 2020, 46(1): 20-25. DOI: 10.1016/j.ultrasmedbio.2019.09.005. [54] ZHU J, LI X, WEI X, et al. The application value of modified thyroid imaging report and data system in diagnosing medullary thyroid carcinoma[J]. Cancer Med, 2019, 8(7): 3389-3400. DOI: 10.1002/cam4.2217. [55] 张求, 李丽丽, 李荔. 甲状腺未分化癌的超声表现分析[J]. 中国超声医学杂志, 2020, 36(8): 752-754. DOI: 10.3969/j.issn.1002-0101.2020.08.028. [56] 梁可可, 王怀涛, 张小薄, 等. 甲状腺未分化癌的影像学特点分析[J]. 现代肿瘤医学, 2018, 26(19): 3119-3122. DOI: 10.3969/j.issn.1672-4992.2018.19.031. [57] LI X, ZHANG S, ZHANG Q, et al. Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multicohort, diagnostic study[J]. Lancet Oncol, 2019, 20(2): 193-201. DOI: 10.1016/s1470-2045(18)30762-9. [58] ZHANG Y. Classification and diagnosis of thyroid carcinoma using reinforcement residual network with visual attention mechanisms in ultrasound images[J]. J Med Syst, 2019, 43(11): 323. DOI: 10.1007/s10916-019-1448-5. [59] SHIN I, KIM Y J, HAN K, et al. Application of machine learning to ultrasound images to differentiate follicular neoplasms of the thyroid gland[J]. Ultrasonography, 2020, 39(3): 257-265. DOI: 10.14366/usg.19069. [60] XU D, WANG Y, WU H, et al. An artificial intelligence ultrasound system's ability to distinguish benign from malignant follicular-patterned lesions[J]. Front Endocrinol, 2022, 13: 981403. DOI: 10.3389/fendo.2022.981403. [61] CHEN W, NI X, QIAN C, et al. The value of a neural network based on multi-scale feature fusion to ultrasound images for the differentiation in thyroid follicular neoplasms[J]. BMC Med Imag, 2024, 24(1): 74. DOI: 10.1186/s12880-024-01244-1. [62] ZHENG Y, ZHANG Y, LU K, et al. Diagnostic value of an interpretable machine learning model based on clinical ultrasound features for follicular thyroid carcinoma[J]. Quant Imaging Med Surg, 2024, 14(9): 6311-6324. DOI: 10.21037/qims-24-601. [63] LIANG X, YU J, LIAO J, et al. Convolutional neural network for breast and thyroid nodules diagnosis in ultrasound imaging[J]. Biomed Res Int, 2020, 2020: 1763803. DOI: 10.1155/2020/1763803. [64] BADIU C. Who classification of endocrine and neuroendocrine tumours, 5th edition-WHO classification of tumours, volume 10[J]. Acta Endo (Buc), 2024, 20(3): 412. DOI: 10.4183/aeb.2024.412. [65] HADDAD R I, BISCHOFF L, BALL D, et al. Thyroid carcinoma, version 2.2022, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Cancer Netw, 2022, 20(8): 925-951. DOI: 10.6004/jnccn.2022.0040. [66] 韦伟, 李朋. 2019年第一版NCCN甲状腺恶性肿瘤治疗指南解读[J]. 临床外科杂志, 2020, 28(1): 31-34. DOI: 10.3969/j.issn.1005-6483.2020.01.008. [67] 中华医学会内分泌学分会, 中华医学会外科学分会甲状腺及代谢外科学组, 中国抗癌协会头颈肿瘤专业委员会, 等. 甲状腺结节和分化型甲状腺癌诊治指南(第二版)[J]. 国际内分泌代谢杂志, 2023, 43(2): 149-194. DOI: 10.3760/cma.j.cn311282-20221023-00589-1. [68] YU Y, OUYANG W, HUANG Y, et al. Artificial intelligence-based multi-modal multi-tasks analysis reveals tumor molecular heterogeneity, predicts preoperative lymph node metastasis and prognosis in papillary thyroid carcinoma: a retrospective study[J]. Int J Surg, 2025, 111(1): 839-856. DOI: 10.1097/JS9.0000000000001875. [69] CHUN L, WANG D, HE L, et al. Explainable machine learning model for predicting paratracheal lymph node metastasis in CN0 papillary thyroid cancer[J]. Sci Rep, 2024, 14: 22361. DOI: 10.1038/s41598-024-73837-3. [70] WU Y, RAO K, LIU J, et al. Machine learning algorithms for the prediction of central lymph node metastasis in patients with papillary thyroid cancer[J]. Front Endocrinol, 2020, 11: 577537. DOI: 10.3389/fendo.2020.577537. [71] YU J, DENG Y, LIU T, et al. Lymph node metastasis prediction of papillary thyroid carcinoma based on transfer learning radiomics[J]. Nat Commun, 2020, 11: 4807. DOI: 10.1038/s41467-020-18497-3. [72] CHANG L, ZHANG Y, ZHU J, et al. An integrated nomogram combining deep learning, clinical characteristics and ultrasound features for predicting central lymph node metastasis in papillary thyroid cancer: a multicenter study[J]. Front Endocrinol, 2023, 14: 964074. DOI: 10.3389/fendo.2023.964074. [73] ZHONG L, SHI L, LIU X, et al. Development and validation of a prediction model for lymph node metastasis in thyroid cancer: integrating deep learning and radiomics features from intra-and peri-tumoral regions[J]. Gland Surg, 2025, 14(7): 1272-1282. DOI: 10.21037/gs-2025-50. [74] SHEN P, YANG Z, SUN J, et al. Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging[J]. Nat Commun, 2025, 16(1): 7052. DOI: 10.1038/s41467-025-62042-z. [75] ZHOU W, LI L, HAO X, et al. Predicting central lymph node metastasis in papillary thyroid microcarcinoma: a breakthrough with interpretable machine learning[J]. Front Endocrinol, 2025, 16: 1537386. DOI: 10.3389/fendo.2025.1537386. [76] HUANG Q, CHEN Z, ZHAO L, et al. PESI-MS combined with AI to build a prediction model for lymph node metastasis of papillary thyroid cancer[J]. Pathol Res Pract, 2025, 270: 155952. DOI: 10.1016/j.prp.2025.155952. [77] BHATTACHARYA S, MAHATO R K, SINGH S, et al. Advances and challenges in thyroid cancer: the interplay of genetic modulators, targeted therapies, and AI-driven approaches[J]. Life Sci, 2023, 332: 122110. DOI: 10.1016/j.lfs.2023.122110. [78] AMIN M B, EDGE S, GREENE F L, et al. AJCC cancer staging manual[M]. 8th ed. New York: Springer, 2016: 589-628. [79] RANDOLPH G W, DUH Q Y, HELLER K S, et al. The prognostic significance of nodal metastases from papillary thyroid carcinoma can be stratified based on the size and number of metastatic lymph nodes, as well as the presence of extranodal extension[J]. Thyroid, 2012, 22(11): 1144-1152. DOI: 10.1089/thy.2012.0043. [80] LIU C, CHEN T, LIU Z. Associations between BRAF V600E and prognostic factors and poor outcomes in papillary thyroid carcinoma: a meta-analysis[J]. World journal of surgical oncology, 2016, 14(1): 241. DOI: 10.1186/s12957-016-0979-1. [81] YU Y, ZHAO C, GUO R, et al. Deep learning model based on ultrasound images predicts BRAF V600E mutation in papillary thyroid carcinoma[J]. iScience, 2025, 28(5). DOI: 10.1016/j.isci.2025.112482. [82] LI Q, ZHANG W, LIAO T, et al. An artificial intelligence-driven preoperative radiomic subtype for predicting the prognosis and treatment response of patients with papillary thyroid carcinoma[J]. Clin Cancer Res, 2025, 31(1): 139-150. DOI: 10.1158/1078-0432.ccr-24-2356. [83] TORO-TOBON D, LOOR-TORRES R, DURAN M, et al. Artificial intelligence in thyroidology: a narrative review of the current applications, associated challenges, and future directions[J]. Thyroid®, 2023, 33(8): 903-917. DOI: 10.1089/thy.2023.0132. [84] LUVHENGO T E, MOENG M S, SISHUBA N T, et al. Holomics and artificial intelligence-driven precision oncology for medullary thyroid carcinoma: addressing challenges of a rare and aggressive disease[J]. Cancers, 2024, 16(20): 3469. DOI: 10.3390/cancers16203469. [85] JASSAL K, EDWARDS M, KOOHESTANI A, et al. Beyond genomics: artificial intelligence-powered diagnostics for indeterminate thyroid nodules. A systematic review and meta-analysis[J]. Front Endocrinol, 2025, 16: 1506729. DOI: 10.3389/fendo.2025.1506729. [86] SI C F, YU J, CUI Y Y, et al. Comparison of diagnostic performance of the current score-based ultrasound risk stratification systems according to thyroid nodule size[J]. Quant Imaging Med Surg, 2024, 14(12): 9234-9245. DOI: 10.21037/qims-24-282. [87] ZHENG L L, MA S Y, ZHOU L, et al. Diagnostic performance of artificial intelligence-based computer-aided diagnosis system in longitudinal and transverse ultrasonic views for differentiating thyroid nodules[J]. Front Endocrinol, 2023, 14: 1137700. DOI: 10.3389/fendo.2023.1137700. [88] HUANG Y, MAO Y, XU L, et al. Exploring risk factors for cervical lymph node metastasis in papillary thyroid microcarcinoma: construction of a novel population-based predictive model[J]. BMC Endocr Disord, 2022, 22(1): 269. DOI: 10.1186/s12902-022-01186-1. [89] SUN Y, SELVARAJAN S, ZANG Z, et al. Artificial intelligence defines protein-based classification of thyroid nodules[J]. Cell Discov, 2022, 8: 85. DOI: 10.1038/s41421-022-00442-x.
