桥本甲状腺炎（HT）是一种慢性自身免疫性甲状腺疾病，也是临床实践中最常见的甲状腺疾病。该病的发生归因于自身免疫功能失调，致使机体无法区分自身与外来组织，进而产生针对自身甲状腺组织的特异性抗体（如甲状腺过氧化物酶抗体和甲状腺球蛋白抗体）。这会引发免疫细胞（如淋巴细胞和浆细胞）大量浸润甲状腺组织，最终导致甲状腺组织受损和破坏。

HT 患者甲状腺结节的发病率较高，部分结节存在恶变风险。研究表明，HT 是甲状腺恶性结节的危险因素。超声成像被视为诊断和监测甲状腺疾病的主要手段。HT 典型的超声特征包括甲状腺对称性弥漫性肿大、峡部明显增厚、弥漫性回声减低、分布不均、呈网格样改变和 / 或有结节存在。与非 HT 相关的甲状腺结节相比，HT 相关的甲状腺结节在超声图像上更难检测。这是因为 HT 会导致甲状腺组织弥漫性改变，使超声回声减低且不均匀，模糊了结节边界，增加了放射科医生识别的难度。因此，放射科医生在评估 HT 相关甲状腺结节时需格外注意。

目前，深度学习（DL）在医学影像领域的应用日益广泛。如 U-Net 和 DenseNet 等 DL 模型在甲状腺结节分割方面表现出色，能帮助放射科医生快速准确地识别和划定甲状腺结节区域。尽管有这些进展，但针对 HT 伴发甲状腺结节识别模型的研发仍有限。

最近，发表在European Radiology 上的一篇文章开发了一种桥本甲状腺炎结节人工智能（HTN - AI）模型，以优化桥本甲状腺炎（HT）相关甲状腺结节的诊断，目前此类诊断的效率和准确性仍面临挑战。

本研究纳入了2014年1月至2024年3月期间来自10家医院的 5709 名患者。其中，5053 个甲状腺结节按 9:1 的比例分为训练集和测试集。然后，我们在外部数据集（n = 432）上对模型进行测试。最后，我们前瞻性招募了 224 名患者，获取其动态超声视频，并使用 HTN - AI 模型从动态超声视频中识别结节。不同资历的放射科医生在有无 HTN - AI 模型辅助的情况下对甲状腺结节进行良恶性分类，并比较他们的诊断表现。

结果显示，在外部测试集上，HTN - AI 模型的 Dice 相似系数（DSC）达到 0.91，优于其他几种常见的卷积神经网络（CNN）模型。具体而言，HTN - AI 模型在有 HT 和无 HT 的甲状腺结节患者中的 DSC 相似，分别为 0.91 ± 0.06 和 0.91 ± 0.09。此外，使用 HTN - AI 模型辅助诊断时，放射科医生的诊断表现有所提升。初级放射科医生的受试者工作特征曲线下诊断面积（AUC）从 0.59、0.59 和 0.57 分别提高到 0.68、0.65 和 0.65。

表 对外部测试集进行HT和不HT各模型的分割性能比较

本研究表明，HTN - AI 模型在识别 HT 相关甲状腺结节方面表现出色，能够协助放射科医生更准确、高效地诊断甲状腺结节。

原文出处：

Chen Chen,Yahan Zhou,Bo Xu,et al.A multicenter diagnostic study of thyroid nodule with Hashimoto's thyroiditis enabled by Hashimoto's thyroiditis nodule-artificial intelligence model.DOI:10.1007/s00330-025-11422-6