郑州大学第一附属医院甲状腺外科卢秀波教授团队 (IF=13.2) | 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

①首创超声特征数字化与“白盒”可解释性框架：本文突破性地将甲状腺结节的超声特征转化为四个量化指标：圆度、百分比多类型灰度、模糊边界率和纵横比。不同于传统深度学习“黑盒”模型，该研究构建了完全可解释的“白盒”框架，使医生能清晰理解算法决策依据。这种数字化方法不仅消除了人为评估的主观差异，还实现了诊断过程的可重复性，为临床提供了透明、可信的辅助决策支持。

②双层UltraMC模型精准攻克“木乃伊化”复杂结节难题：针对因出血、吸收等导致形态复杂、易被误诊为恶性的“木乃伊化甲状腺结节”（MTNs），研究开发了名为UltraMC的双层随机森林网络。前端网络筛查常规结节，后端网络专门对疑似良性结节进行二次分析以识别MTNs。该模型在MTNs分类上达到了88.5%的准确率，显著优于现有TI-RADS系统及传统CNN模型，有效解决了复杂结节鉴别诊断的临床痛点。

③多中心验证显示卓越性能，有望减少过度医疗：基于73,826例患者的大规模多中心数据显示，UltraMC模型对常规结节诊断准确率达92.9%，整体准确率高达91.8%，且在外部测试集中表现优于资深外科医生（96.0% vs 91.2%）。模型的高特异性能有效区分良性复杂结节与恶性肿瘤，显著降低假阳性率。这一成果表明该技术能有效减少不必要的细针穿刺活检和诊断性手术，优化医疗资源配置，具有极高的临床应用价值。

图1：基本数据集与木乃伊化甲状腺结节（MTN）数据集的纳入与排除标准流程图。

图2：基于数字化特征的甲状腺结节分类模型 UltraMC 的工作流程。(A) 甲状腺结节超声特征数字化过程。(B) 改进随机森林机器学习程序框架，包括前端网络与后端网络。图 (A) 所示患者为一名39岁女性，右侧叶有一个甲状腺结节；超声检查未使用造影剂。该患者无家族史，术后病理诊断为乳头状甲状腺癌。MTN = 木乃伊化甲状腺结节。

图3：用于诊断甲状腺结节的 UltraMC 超声模型。(A) 甲状腺结节内回声分布三维图谱（恶性、良性及木乃伊化甲状腺结节 [MTN]）。每个甲状腺结节根据灰度值通过 k-means 聚类算法分为六类。相对亮度值越高（即某层灰度值除以背景平均灰度值），在坐标轴上的位置越靠上。(B) 恶性结节、良性结节和 MTNs 中回声总体分布的饼图。(C) 恶性结节、良性结节与 MTNs 在形状、边界及纵横比方面的比较。

图4：不同分类模型的诊断性能表现。(A) 前端网络的混淆矩阵。(B) 前端网络的受试者工作特征（ROC）曲线与精确率-召回率曲线。(C) 前端网络与 UltraMC 的混淆矩阵对比。(D) 前端网络与 UltraMC 的 ROC 曲线与精确率-召回率曲线对比。AUC = ROC 曲线下面积，MTN = 木乃伊化甲状腺结节。

图5：数字化超声特征的雷达图。

图6：UltraMC 用于诊断木乃伊化甲状腺结节的应用示例。这三个结节由三位经验丰富的放射科医师按中国甲状腺影像报告和数据系统（TI-RADS）归类为 4B–5 类。而 UltraMC 计算得出的结果与病理结果完全一致。

参考文献：

Li Z, Yan Y, Li X, Wu K, Lu X. Interpretable Machine Learning Model Using Digitized US Features for Classifying Complex Thyroid Nodules. Radiol Artif Intell. 2026 Mar;8(2):e250383. doi: 10.1148/ryai.250383. PMID: 41636619.