基于深度学习的超声影像在儿童甲状腺结节风险分层中的应用进展

doi:10.3877/cma.j.issn.1672-6448.2026.01.001

表1 CNN、YOLO 与 Vision Transformer 在儿科甲状腺超声诊断中的任务定位与场景化选择

技术架构	任务定位	优点	局限性	儿童优先适用场景
CNN	图像分类、结合U-Net等做分割	对局部纹理、边缘形态特征学习稳定；小样本下迁移学习效果好	对“全局上下文/长程依赖”建模不足；跨设备/跨中心分布偏移时性能易波动；对腺体背景整合能力受限；若训练集病例谱偏“高危富集”，可能出现“高敏感-低特异”	离线分析优先：门诊/住院后处理；单中心或小规模多中心较易落地；可作为“风险分层概率输出 + 医师复核”的基础模型
YOLO	目标检测（框出结节、同步给出良恶性或可疑度）	单次前向传播同时完成定位与分类，强调高效率；更适配动态扫查（视频流/实时提示）	若只基于单帧，仍可能受操作者取帧影响；对标注质量与框一致性敏感	实时扫查优先：儿科配合度低、检查时间短，适合“实时提示可疑结节”与“减少漏扫”
ViT	多视图融合、全局上下文建模；可扩展到“时空序列/多模态”	自注意力更擅长整合全局信息与多视角信息；对“小结节 + 多切面信息融合”的理论契合度更高；在多中心数据上可与域泛化策略结合	对数据规模与多样性更敏感，小样本条件下易不稳定；跨中心域偏移仍需专门策略；工程化与端侧部署门槛相对更高	离线精细分层优先：尤其是“横切+纵切”多视图输入、需要综合背景腺体信息的场景

表1 CNN、YOLO 与 Vision Transformer 在儿科甲状腺超声诊断中的任务定位与场景化选择

技术架构	任务定位	优点	局限性	儿童优先适用场景
CNN	图像分类、结合U-Net等做分割	对局部纹理、边缘形态特征学习稳定；小样本下迁移学习效果好	对“全局上下文/长程依赖”建模不足；跨设备/跨中心分布偏移时性能易波动；对腺体背景整合能力受限；若训练集病例谱偏“高危富集”，可能出现“高敏感-低特异”	离线分析优先：门诊/住院后处理；单中心或小规模多中心较易落地；可作为“风险分层概率输出 + 医师复核”的基础模型
YOLO	目标检测（框出结节、同步给出良恶性或可疑度）	单次前向传播同时完成定位与分类，强调高效率；更适配动态扫查（视频流/实时提示）	若只基于单帧，仍可能受操作者取帧影响；对标注质量与框一致性敏感	实时扫查优先：儿科配合度低、检查时间短，适合“实时提示可疑结节”与“减少漏扫”
ViT	多视图融合、全局上下文建模；可扩展到“时空序列/多模态”	自注意力更擅长整合全局信息与多视角信息；对“小结节 + 多切面信息融合”的理论契合度更高；在多中心数据上可与域泛化策略结合	对数据规模与多样性更敏感，小样本条件下易不稳定；跨中心域偏移仍需专门策略；工程化与端侧部署门槛相对更高	离线精细分层优先：尤其是“横切+纵切”多视图输入、需要综合背景腺体信息的场景

表2 不同研究的人工智能模型在儿童甲状腺结节风险分层中的性能对比

研究	人群	临床应用场景	评价指标	验证层级	局限性
Richman等^[3]	儿童队列	成人RSS在儿科表现	ACR TI-RADS：22.1%（17/77）的恶性结节在初诊时不会被推荐细针穿刺活检	L1/L2	单中心数据；规则系统中等效能反映了成人阈值在儿科的不适配；未针对儿科特异性背景（如AIT）进行分层分析
Yang等^[4]	139例，≤21岁	结节良恶性诊断：成人训练深度学习模型 vs ACR TI-RADS vs 医师印象	深度学习模型：敏感度 87.5%（95%置信区间：78.3~95.5），特异度 36.1%（95%置信区间：25.6~46.8）	L1	单中心回顾性设计；样本量相对有限（n=139）；特异度仅36.1%，可能导致不必要穿刺活检增加；未评估跨中心、跨设备的分布偏移
Ha等^[14]	儿童多队列	结节良恶性诊断：成人训练甲状腺AI诊断模型外部测试	横切面AUC 0.913；纵切面AUC 0.929；横纵切面联合AUC 0.927	L3	虽为多中心外部验证，但模型训练基础来自成人数据，儿科特异性病理亚型（如弥漫性硬化型）的覆盖程度未明确；模型可解释性未涉及
Kim等^[15]	儿童队列	5种成人RSS穿刺标准比较	以穿刺标准可接受且可通过调整阈值改善为主	L1/L2	样本量与病理亚型分布未详细披露；结节大小与最高危分级的儿科化改进方案仍缺乏前瞻性验证
Zhang等^[16]	54 305例	针对报告文本，采用自然语言处理，尤其是长短期记忆网络等	内部测试AUC 0.965；外部测试AUC 0.912	L3	虽样本量大，但基于文本报告而非原始图像，易含结论性信息导致数据泄漏风险；儿科患者占比与儿科特异性表述习惯的适用性需专门验证
Li等^[17]	儿童PTC队列	甲状腺外侵犯预测：超声放射组学+LightGBM	内部测试AUC 0.787；外部测试AUC 0.770	L3	终点为甲状腺外侵犯预测而非良恶性鉴别，临床应用场景相对专科化；特征提取的可重复性与跨设备稳定性未充分评估；阈值的临床转化路径需进一步明确
Qian等^[18]	儿童PTC队列	颈部淋巴结转移预测	多模态列线图AUC 0.85~0.90	L2/L3	多中心验证数据有限；临床阈值设定需进一步优化
Ni等^[19]	不确定细胞学结节	Bethesda Ⅲ/Ⅳ类结节风险分层	AI+分子标记物模型AUC 0.88	L2	样本量相对较小；儿科特异性队列数据不足

表2 不同研究的人工智能模型在儿童甲状腺结节风险分层中的性能对比

研究	人群	临床应用场景	评价指标	验证层级	局限性
Richman等^[3]	儿童队列	成人RSS在儿科表现	ACR TI-RADS：22.1%（17/77）的恶性结节在初诊时不会被推荐细针穿刺活检	L1/L2	单中心数据；规则系统中等效能反映了成人阈值在儿科的不适配；未针对儿科特异性背景（如AIT）进行分层分析
Yang等^[4]	139例，≤21岁	结节良恶性诊断：成人训练深度学习模型 vs ACR TI-RADS vs 医师印象	深度学习模型：敏感度 87.5%（95%置信区间：78.3~95.5），特异度 36.1%（95%置信区间：25.6~46.8）	L1	单中心回顾性设计；样本量相对有限（n=139）；特异度仅36.1%，可能导致不必要穿刺活检增加；未评估跨中心、跨设备的分布偏移
Ha等^[14]	儿童多队列	结节良恶性诊断：成人训练甲状腺AI诊断模型外部测试	横切面AUC 0.913；纵切面AUC 0.929；横纵切面联合AUC 0.927	L3	虽为多中心外部验证，但模型训练基础来自成人数据，儿科特异性病理亚型（如弥漫性硬化型）的覆盖程度未明确；模型可解释性未涉及
Kim等^[15]	儿童队列	5种成人RSS穿刺标准比较	以穿刺标准可接受且可通过调整阈值改善为主	L1/L2	样本量与病理亚型分布未详细披露；结节大小与最高危分级的儿科化改进方案仍缺乏前瞻性验证
Zhang等^[16]	54 305例	针对报告文本，采用自然语言处理，尤其是长短期记忆网络等	内部测试AUC 0.965；外部测试AUC 0.912	L3	虽样本量大，但基于文本报告而非原始图像，易含结论性信息导致数据泄漏风险；儿科患者占比与儿科特异性表述习惯的适用性需专门验证
Li等^[17]	儿童PTC队列	甲状腺外侵犯预测：超声放射组学+LightGBM	内部测试AUC 0.787；外部测试AUC 0.770	L3	终点为甲状腺外侵犯预测而非良恶性鉴别，临床应用场景相对专科化；特征提取的可重复性与跨设备稳定性未充分评估；阈值的临床转化路径需进一步明确
Qian等^[18]	儿童PTC队列	颈部淋巴结转移预测	多模态列线图AUC 0.85~0.90	L2/L3	多中心验证数据有限；临床阈值设定需进一步优化
Ni等^[19]	不确定细胞学结节	Bethesda Ⅲ/Ⅳ类结节风险分层	AI+分子标记物模型AUC 0.88	L2	样本量相对较小；儿科特异性队列数据不足

1	国家儿童医学中心, 国家儿童肿瘤监测中心, 中华医学会小儿外科学分会, 等. 中国儿童甲状腺结节及分化型甲状腺癌专家共识[J]. 中华实用儿科临床杂志, 2020, 35(20): 1521-1530.
2	Xing Z, Qiu Y, Zhu J, et al. Diagnostic performance of adult-based ultrasound risk stratification systems in pediatric thyroid nodules: a systematic review and meta-analysis[J]. Front Endocrinol (Lausanne), 2023, 14: 1187935.
3	Richman DM, Benson CB, Doubilet PM, et al. Assessment of American College of Radiology Thyroid Imaging Reporting and Data System (TI-RADS) for pediatric thyroid nodules[J]. Radiology, 2020, 294(2): 415-420.
4	Yang J, Page LC, Wagner L, et al. Thyroid nodules on ultrasound in children and young adults: comparison of diagnostic performance of radiologists' impressions, ACR TI-RADS, and a deep learning algorithm[J]. AJR Am J Roentgenol, 2023, 220(3): 408-417.
5	Bulanova Pekova B, Sykorova V, Mastnikova K, et al. RET fusion genes in pediatric and adult thyroid carcinomas: cohort characteristics and prognosis[J]. Endocr Relat Cancer, 2023, 30(12): e230117.
6	Szwarkowska M, Kaleta K, Jurek A, et al. Occult thyroid cancer in autoimmune thyroiditis: lymph node ultrasound as the sole diagnostic indicator of malignancy in a pediatric case of papillary thyroid carcinoma[J]. Children (Basel), 2025, 12(2): 194.
7	Ma J, Zhang L, Sun Y, et al. Evaluating modified ACR TI-RADS nodule size for thyroid nodules in pediatric population[J]. BMC Med Imaging, 2025, 25(1): 269.
8	Li Y, Li T, He K, et al. A predictive nomogram of thyroid nodules based on deep learning ultrasound image analysis[J]. Front Endocrinol (Lausanne), 2025, 16: 1504412.
9	Liang XW, Cai YY, Yu JS, et al. Update on thyroid ultrasound: a narrative review from diagnostic criteria to artificial intelligence techniques[J]. Chin Med J (Engl), 2019, 132(16): 1974-1982.
10	Yang J. Machine learning methods for the analysis of thyroid nodule ultrasound images[D]. Durham, North Carolina: Duke University, 2024.
11	Wildman-Tobriner B, Taghi-Zadeh E, Mazurowski MA. Artificial intelligence (AI) tools for thyroid nodules on ultrasound, from the AJR special series on AI applications[J]. AJR Am J Roentgenol, 2022, 219(4): 547-554.
12	Yang J, Luo Z, Wen Y, et al. Artificial intelligence-enhanced ultrasound imaging for thyroid nodule detection and malignancy classification: a study on YOLOv11[J]. Quant Imaging Med Surg, 2025, 15(9): 7964-7976.
13	Feng N, Zhao S, Wang K, et al. Deep learning model for diagnosis of thyroid nodules with size less than 1 cm: A multicenter, retrospective study[J]. Eur J Radiol Open, 2024, 13: 100609.
14	Ha EJ, Lee JH, Mak N, et al. A deep learning-based artificial intelligence model assisting thyroid nodule diagnosis and management: pilot results for evaluating thyroid malignancy in pediatric cohorts[J]. Thyroid, 2025, 35(6): 652-661.
15	Kim PH, Yoon HM, Baek JH, et al. Diagnostic performance of five adult-based US risk stratification systems in pediatric thyroid nodules[J]. Radiology, 2022, 305(1): 190-198.
16	Zhang Q, Zhang S, Li J, et al. Improved diagnosis of thyroid cancer aided with deep learning applied to sonographic text reports: a retrospective, multi-cohort, diagnostic study[J]. Cancer Biol Med, 2022, 19(5): 733-741.
17	Li J, Xia F, Wang X, et al. Multiclassifier radiomics analysis of ultrasound for prediction of extrathyroidal extension in papillary thyroid carcinoma in children[J]. Int J Med Sci, 2023, 20(2): 278-286.
18	Qian J, Zhang Z, Chen Y, et al. Multimodal ultrasonographic and clinicopathological model for predicting high-volume lymph node metastasis in cN0 papillary thyroid carcinoma[J]. Front Endocrinol(Lausanne), 2025, 16: 1613672.
19	Ni JH, Liu YY, Chen C, et al. Optimizing thyroid nodule management with artificial intelligence: multicenter retrospective study on reducing unnecessary fine needle aspirations[J]. JMIR Med Inform, 2025, 13: e71740.
20	Richman DM, Cherella CE, Smith JR, et al. Clinical utility of sonographic features in indeterminate pediatric thyroid nodules[J]. Eur J Endocrinol, 2021, 184(5): 657-665.
21	Lee H, Chai YJ, Joo H, et al. Federated learning for thyroid ultrasound image analysis to protect personal information: Validation study in a real health care environment[J]. JMIR Med Inform, 2021, 9(5): e25869.
22	彭馨雨, 刘远征. 大数据时代儿童的个人信息保护制度的完善[J]. 争议解决, 2024, 10: 331-338.
23	潘燕杰. 我国健康医疗数据治理的标准化路径——以美国相关法律为借鉴[J]. 南京医科大学学报(社会科学版), 2023(5): 423-429.
24	Zhou Y, Chen C, Yao J, et al. A deep learning based ultrasound diagnostic tool driven by 3D visualization of thyroid nodules[J]. NPJ Digit Med, 2025, 8(1): 126.

No related articles found!

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Advances in deep learning-based ultrasound imaging for risk stratification of pediatric thyroid nodules

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Advances in deep learning-based ultrasound imaging for risk stratification of pediatric thyroid nodules