ACR TI-RADS, Deep-Learning-Algorithmus, bietet alternative Strategien zur Beurteilung von Schilddrüsenknoten
Laut einem akzeptierten Manuskript, das im American Journal of Roentgenology (AJR) von ARRS veröffentlicht wurde, bieten ACR TI-RADS und ein an erwachsenen Bevölkerungsgruppen trainierter Deep-Learning-Algorithmus alternative Strategien zur Beurteilung von Schilddrüsenknoten bei Kindern und jüngeren Erwachsenen, einschließlich Leitentscheidungen zur Durchführung von Fein- Nadelaspiration.
„Sowohl ACR TI-RADS als auch der Deep-Learning-Algorithmus hatten eine höhere Sensitivität, wenn auch eine geringere Spezifität im Vergleich zu den Gesamteindrücken der Radiologen“, schrieb Co-Erstautor Jichen Yang, BSE, von der Abteilung für Elektro- und Computertechnik der Duke University in Durham , NC. Yang fügte hinzu, dass der Algorithmus eine ähnliche Empfindlichkeit, aber eine geringere Spezifität aufwies als ACR TI-RADS. „Die Übereinstimmung zwischen Beobachtern war bei ACR TI-RADS höher als bei Gesamtabdrücken“, bemerkte Yang.
In diesem vom AJR akzeptierten Manuskript wurden vom 1. Januar 2004 bis zum 18. September 139 Patienten (119 Frauen, 20 Männer) im Alter von ≤ 21 Jahren mit einem Schilddrüsenknoten im Ultraschall und definitiven pathologischen Ergebnissen aufgrund einer Feinnadelaspiration und/oder chirurgischen Entfernung untersucht. 2020. Anschließend wurden einzelne Quer- und Längsbilder von einem Knoten pro Patient extrahiert. Drei Radiologen charakterisierten die Knötchen unabhängig voneinander anhand des Gesamteindrucks (gutartig vs. bösartig) und des ACR TI-RADS. Ein zuvor entwickelter Deep-Learning-Algorithmus bestimmte die Malignitätswahrscheinlichkeit für jeden Knoten, der zur Ableitung des Risikoniveaus verwendet wurde.
Das Code-Repository für den Deep-Learning-Algorithmus von Yang und Kollegen ist verfügbar Hier.
Für die Beurteilung von Schilddrüsenknoten mittels Ultraschall bei Kindern und jungen Erwachsenen wiesen die Gesamteindrücke der Radiologen – die den aktuellen klinischen Standardansatz repräsentieren – letztendlich eine mittlere Sensitivität von 58,3 % und eine mittlere Spezifität von 79,9 % auf; ACR TI-RADS hatte eine mittlere Sensitivität von 85,1 % und eine mittlere Spezifität von 50,6 %, und ein Deep-Learning-Algorithmus hatte eine Sensitivität von 87,5 % und eine Spezifität von 36,1 %.
„Angesichts der im Vergleich zu Erwachsenen höheren Priorität der Sensitivität bei der Beurteilung von Schilddrüsenknoten bei Kindern unterstützen die Ergebnisse die fortgesetzte Erforschung von ACR TI-RADS und des Deep-Learning-Algorithmus bei Kindern“, so Yang et al. in diesem von der AJR angenommenen Manuskript abgeschlossen.
Quelle:
Amerikanische Röntgenstrahlengesellschaft
Referenz:
Yang, J., et al. (2022) Schilddrüsenknoten im Ultraschall bei Kindern und jungen Erwachsenen: Vergleich der diagnostischen Leistung von Abdrücken von Radiologen, ACR TI-RADS und einem Deep-Learning-Algorithmus. American Journal of Roentgenology. doi.org/10.2214/AJR.22.28231.
.
