The Role of Artificial Intelligence in Radiofrequency Ablation for Thyroid Nodules: A Literature Review



Cite item

Full Text

Abstract

The prevalence of thyroid nodules is relatively high, affecting up to 68% of the adult population. Although most nodules are benign and do not require treatment, therapy may be needed in some cases when they cause symptoms such as compression, cosmetic concerns, or hyperthyroidism. Minimally invasive techniques, particularly ultrasound-guided radiofrequency ablation (RFA), are gradually assuming an important role in the treatment of carefully selected patients, demonstrating a favorable efficacy and safety profile. Given the high operator dependence of ultrasound (US) and the technical complexity of RFA, growing interest has emerged in the implementation of objective artificial intelligence (AI)-based tools designed to support clinical decision-making at all stages of the procedure. Objective: to assess the potential applications of artificial intelligence in radiofrequency ablation of thyroid nodules. A systematized literature search was conducted in PubMed/MEDLINE, Embase, Web of Science, Scopus, IEEE Xplore, CNKI, Wanfang, CiNii, KoreaMed, KISS, and DBpia. The review included studies, clinical reports, and technical developments addressing the use of machine learning and computer vision methods in radiofrequency ablation for thyroid nodules. In preoperative diagnostics, artificial intelligence systems, according to meta-analyses, demonstrate high diagnostic performance comparable to that of expert physicians and contribute to reducing the number of unnecessary invasive procedures. Predictive models of radiofrequency ablation efficacy integrating clinical and ultrasound predictors have also been developed. For intraoperative support, novel ultrasound navigation technologies have been proposed. In the post-ablation period, the main challenge remains the accurate assessment of ablation completeness. Algorithmic approaches and automated methods for measuring the ablation zone have been developed; however, clinically validated models for segmentation of post-ablation changes in thyroid nodules remain limited. Conclusion: artificial intelligence technologies demonstrate the highest degree of clinical applicability at the stage of preoperative diagnostics. At the same time, solutions for the intraoperative and postoperative stages require further research, confirmation of their impact on long-term clinical outcomes, and integration into routine clinical practice.

Full Text

Введение

Частота встречаемости узловых образований щитовидной железы высока: до 68 % взрослого населения [1]. Хотя большинство образований являются доброкачественными и не нуждаются в лечении, в некоторых случаях, когда они вызывают симптомы, такие как сдавление, косметические проблемы или гипертиреоз, может потребоваться терапия. «Золотым» стандартом лечения данной патологии продолжает оставаться хирургическое вмешательство, однако оно сопряжено с хоть и низким, но реальным риском осложнений [2].

Минимально инвазивные методики, прежде всего радиочастотная абляция (РЧА), постепенно занимают важное место в лечении отобранных пациентов с узловыми образованиями щитовидной железы, демонстрируя благоприятный профиль эффективности и безопасности. [3]. РЧА под ультразвуковым контролем позволяет достичь клинически значимого уменьшения объёма узла у 86,4% пациентов в течение периода наблюдения до 3 лет, устраняя компрессионные симптомы и не нарушая функцию железы [4]. Кроме того, РЧА рассматривается как органосохраняющий подход у пациентов с папиллярными микрокарциномами низкого риска (T1aN0M0), отказывающихся от хирургического вмешательства [5, 6, 7, 8].

Искусственный интеллект (ИИ) в медицине – это широкий класс алгоритмов машинного обучения, способных выявлять сложные закономерности в данных. В ультразвуковой диагностике и рентгенологии ИИ наиболее успешно применяется в задачах распознавания объектов (например, автоматическая классификация и сегментация изображений). Ультразвуковая диагностика узлов щитовидной железы – перспективная область для внедрения ИИ по нескольким причинам.

Во-первых, интерпретация УЗИ во многом зависит от опыта врча. Применение систем стратификации риска TIRADS (Thyroid Imaging, Reporting, and Data System) таких как ACR TIRADS (American College of Radiology) и EU TIRADS (European), позволяет стандартизировать описание ультразвуковых признаков узлов и критерии направления на ТАБ (тонкоигольная аспирационная биопсия), однако межэкспертная воспроизводимость отдельных признаков и итоговой категории остаётся ограниченной [9, 10, 11]. Алгоритмы глубокого обучения позволяют разрабатывать модели, которые данным УЗ-изображений выявляют паттерны, неочевидные человеческому взгляду, и на их основе формируют оценку риска злокачественности узла [12]. В систематических обзорах и метаанализах CAD-системы (Computer-aided diagnosis) демонстрировали сопоставимую c врачами-экспертами в области УЗИ диагностическую эффективность [13, 14]

Во-вторых, применение алгоритмов сегментации может значительно ускорить процедуру УЗ-осмотра: например, автоматическое измерение размеров узла и оценка динамики его роста/сокращения на контрольных осмотрах.

В-третьих, ИИ способен интегрировать данные разных модальностей (УЗ-изображения, клинические и лабораторные показатели, результаты тонкоигольной биопсии и молекулярных тестов) для построения прогностических моделей, помогающих персонализировать тактику лечения пациентов [15, 16].

Гипотетические точки приложения ИИ на этапах РЧА включают:

1) До вмешательства – автоматизированная ультразвуковая диагностика и стратификация риска (отбор пациентов), прогнозирование эффективности (вероятность достижения клинически значимого сокращения узла и потребность в проведении повторной процедуры);

2) Во время РЧА – помощь в навигации (отслеживание положения электрода, поддержка техники “движущихся выстрелов”), предупреждение приближения к критическим структурам (трахея, возвратный гортанный нерв, пищевод) и оценка полноты абляции в реальном времени;

3) После РЧА – автоматический расчёт объема сокращения узла на контрольных УЗ-осмотрах, объективная оценка полноты абляции, поддержка длительного онкологического мониторинга за счёт структурирования данных наблюдения.

Кроме того, отдельным направлением является использование генеративных моделей и больших языковых моделей (Large language model, LLM) для ведения медицинской документации (например, автоматическое составление протоколов УЗИ).

В настоящем обзоре обобщены данные о применении ИИ на всех этапах ведения пациентов с узловыми образованиями ЩЖ, которым проводится РЧА.

Материалы и методы поиска

Дизайн обзора. Выполнен развернутый систематический обзор с элементами мета-анализа, следуя руководствам PRISMA 2020.

Источники данных: поиск литературы проводился в библиографических базах PubMed/MEDLINE, Embase, Scopus, Web of Science, CNKI, Wanfang Data, SinoMed, CiNii, KoreaMed, KISS и DBpia.

Отбор источников: в обзор включено 36 публикаций. Среди них 3 клинических руководства, 4 систематических обзора/метаанализа, 4 нарративных обзора, 1 проспективное клиническое исследование и 3 ретроспективных клинических исследования; остальные источники представлены оригинальными работами.

Обзор выполнен независимо, без спонсорского финансирования. Использованы только опубликованные данные из открытых библиографических баз данных. Конфликтов интересов нет.

Результаты

 

Применение ИИ перед РЧА

На предоперационном этапе решаются две ключевые задачи: дифференциальная диагностика и прогнозирование эффективности абляции.

В последнее десятилетие разработано множество систем ИИ для анализа ультразвуковых изображений щитовидной железы. Большинство основаны на глубоких нейронных сетях, обученных на больших массивах УЗ-изображений. Задача таких систем заключается в автоматическом выявлении узла на серошкальном УЗ-изображении и последующем определении вероятности злокачественности. Современные методы компьютерного зрения и глубокого обучения демонстрируют высокую эффективность при решении этих задач, что подтверждено результатами сравнительных исследований и метаанализов.

В многоцентровом мета-анализе 25 исследований Potipimpanon et al. [14] суммарная чувствительность ИИ-систем в дифференциальной диагностике доброкачественных образований и рака щитовидной железы составила 86% (95% ДИ 81–91%), специфичность 78% (95% ДИ 73–83%), что статистически не отличалось от показателей врачей-экспертов в области ультразвуковой диагностики (чувствительность 85% (95% ДИ 80-89%, специфичность 82% (95% ДИ 77-86%). AUCROC при использовании ИИ составил 0,89 (95% ДИ 0,86-0,92) против 0,91 (95% ДИ 0,88-0,93) у врачей-экспертов. Более того, анализ мета-регрессии показал, что алгоритмы глубокого обучения обеспечивают достоверно более высокие чувствительность и специфичность, чем алгоритмы классического машинного обучения (p <0,001).

В исследовании Ashton et al. [17] проведено сравнение диагностической эффективности ИИ-системы Koios DS™ Thyroid, одобренной FDA (Food and Drug Administration), и врачей ультразвуковой диагностики при принятии решения о направлении пациентов с узловыми образованиями щитовидной железы на тонкоигольную аспирационную биопсию (ТАБ). ИИ-система продемонстрировала сопоставимую диагностическую точность (AUC 0,70 в обеих группах). Примечательно, что ИИ-система сформировала меньше ложноположительных заключений: специфичность рекомендаций ИИ (т.е. доля правильно распознанных доброкачественных узлов, не рекомендуемых для ТАБ) достигла 63%, тогда как у врачей-экспертов – 43% (p <0,001). Однако чувствительность была ниже (69% против 81%, p <0,001). Наибольшая эффективность была достигнута в группе экспертов, использующих ИИ для формирования заключения (AUC 0,76), число неоправданных биопсий снизилось на 17% без потери чувствительности.

В китайском многоцентровом исследовании Guo et al. [18] автоматизированная система AI-SONIC 5.3 продемонстрировала чувствительность 92,5%, специфичность 69,1%, точность 85,9%, AUC 0,809 –сопоставимо с результатами группы врачей с большим стажем (93,9%, 74,1%, 88,3%, 0,865 соответственно) и значительно лучше, чем в группе молодых специалистов (85,2%, 55,6%, 76,8%, 0,72 соответственно). Разница в AUC между ИИ и группой экспертов статистически незначима (p >0,05), тогда как по сравнению с группой молодых специалистов ИИ оказался эффективнее (p=0,032).

ИИ также может оперативно сегментировать узел и измерить объём – этот показатель важен для принятия решения о целесообразности проведения РЧА (в долгосрочных наблюдениях повторные сеансы РЧА требуются примерно у 24,1–57,9% пациентов [19]). Алгоритмы сегментации на основе нейросетей достигают впечатляющих результатов: по данным Savelonas et al., средний коэффициент Сёренсена-Дайса составляет 0,74–0,95 [20]. Автоматическая сегментация устраняет человеческий фактор и экономит время: программное измерение объёма узла выполняется за секунды и может сразу рассчитывать объем сокращения/роста узла при сравнении с предыдущим результатом исследования.

Другая область применения ИИ на дооперационном этапе – это прогноз исходов лечения. Negro et al. [21] представили модель, обученную на данных 402 пациентов с доброкачественными узловыми образованиями, которым была проведена РЧА. Целевым исходом был объем сокращения узла ≥50% через 1 год. В тестовой выборке чувствительность составила 70% (95% ДИ 0,62-0,75), специфичность 99% (95% ДИ 0,98-1,0), точность 85% (95% ДИ 0,80-0,90). По мнению авторов, применение нейросетевого анализа помогает персонализировать тактику: в случаях, когда модель прогнозирует объем сокращения узла <50%, следует заранее сообщать пациентам о необходимости повторного сеанса РЧА. Кроме того, при использовании ИИ-модели, авторы определили значимые предикторы успешной абляции: меньший изначальный объём и выраженная доля кистозного компонента узла. В то же время солидные узлы большого размера хуже поддавались деструкции.

Китайские исследователи Li et al. [22] разработали шесть моделей машинного обучения, основанных на применении различных методов (логистическая регрессия, метод опорных векторов, алгоритм решающего дерева, алгоритм случайного леса, eXtreme градиентный бустинг (XGBoost), Light градиентный бустинг (Lightgbm), для прогноза исхода РЧА (объем сокращения узла ≥70% был определен как целевой исход) у 518 пациентов. Лучший результат продемонстрировала модель на основе XGBoost: AUC 0,86, точность 78,9%, F1-score 0,84. Важнейшими факторами благоприятного прогноза оказались доля твёрдого компонента узла <20%, низкий исходный объём узла, низкий индекс сосудистого кровотока и периферический характер васкуляризации.

Таким образом, на дооперационном этапе технологии ИИ формируют два взаимодополняющих звена клинической поддержки:

1) стандартизированную оценку ультразвуковых данных узлового образования с оценкой вероятности злокачественности и/или сегментацией с расчётом объёма, что потенциально снижает вариабельность интерпретации и трудоёмкость измерений;

2) прогнозирование ожидаемого эффекта РЧА и определение потребности в повторном вмешательстве на основе клинико-ультразвуковых предикторов с использованием моделей машинного обучения.

Совокупно эти подходы способны повысить точность отбора пациентов для РЧА и оптимизировать индивидуальное планирование процедуры. Вместе с тем, несмотря на убедительные результаты отдельных работ и метаанализов, клиническая применимость ИИ во многом определяется внешней валидацией, воспроизводимостью метода при работе на различных УЗ-аппаратах, учета популяционных особенностей пациентов, а также степенью интеграции ИИ-модулей в реальную клиническую практику.

Применение ИИ во время РЧА

Этап выполнения абляции технически сложен. Для абляции щитовидной железы разработана методика множественных поочередных перемещений электрода внутри узла (техника «moving shot»): узел условно разбивается на несколько небольших секторов, которые последовательно коагулируются рабочей частью электрода. [3].  

В настоящее время активно обсуждаются подходы к использованию ИИ для интраоперационной поддержки: автоматическое выделение и подсветка электрода на УЗ-изображении с наличием системы оповещения при выходе инструмента за пределы целевой зоны или при критическом сближении с анатомически значимыми структурами; автоматическая сегментация и отображение контуров узла для поддержания визуальных ориентиров; контроль полноты абляции в режиме реального времени (например, сопоставление текущей эхогенности с исходной и количественная оценка доли коагулированной ткани); настройка параметров воздействия (мощность, длительность экспозиции) на основе анализа УЗ-изображения и/или клинических данных. Хотя перечисленные направления относятся к более общей концепции частично автономных интервенционных систем, отдельные функциональные модули уже реализуются в виде прототипов и экспериментальных решений.

В последние годы активно разрабатываются модели глубокого обучения для выделения иглы/электрода и восстановления её траектории на последовательностях ультразвуковых кадров в режиме реального времени. Для оценки точности применяют метрики, отражающие пространственное расхождение между восстановленной и референсной траекторией, например Modified Hausdorff Distance (MHD) и ошибку наведения (targeting error, TE). В работе Hui et al. [23] сообщаемые значения для различных моделей составляют MHD 1,90 – 3,27 и TE  2,92 – 3,70 в зависимости от используемых баз данных, что соответствует небольшому пространственному расхождению восстановленной и референсной траектории; более низкие значения MHD и TE интерпретируются как более точное выделение иглы. В клинической перспективе подобные алгоритмы могут стать основой навигационной функции безопасности: при выходе инструмента за пределы заданного контура узла или при уменьшении расстояния до критических структур ниже заданного порога система может высветить предупреждение на экране или подать звуковой сигнал для оператора.

Сегментация узла и важных структур во время абляции. Задача алгоритма – на каждом видеокадре УЗИ выделять контуры узла и анатомически важных структур, формируя для оператора визуальные подсказки и, при наличии валидированных порогов, вычисляемые «буферы безопасности». Клинических публикаций, описывающих такие решения именно для РЧА узлов щитовидной железы в реальном времени, в доступных источниках нами не выявлено. Существуют близкие по постановке задачи прототипы для планирования вмешательств на щитовидной железе, в которых на 3D-моделях, созданных на основании УЗ-сканирования, выполнялась автоматическая сегментация щитовидной железы и прилежащих сосудов [24, 25].

Контроль зоны абляции. Оптимальным методом оценки полноты абляции узлового образования щитовидной железы является УЗИ с контрастным усилением (Contrast-Enhanced Ultrasound, CEUS). CEUS –метод с довольно высокой диагностической точностью, но имеет ряд ограничений, в том числе и финансовых. В своей работе Chen et al. [26] предложили генеративно-состязательную сеть (generative adversarial network, GAN), преобразующую серошкальные УЗ-изображения узловых образований щитовидной железы, молочной железы и печени после абляции в эквивалент псевдо-CEUS. Для обучения модели использовались данные 1030 пациентов. При сравнении изображений псевдо-CEUS и CEUS коэффициент структурного сходства (SSIM, structure similarity) составил 0,89.

Таким образом, интраоперационное применение ИИ при РЧА узлов щитовидной железы потенциально решает наиболее важные задачи навигацию, поддержания безопасных границ и объективизации контроля эффекта. В совокупности эти подходы формируют контур поддержки оператора, но их переход в рутинную практику будет зависеть от многоцентровой внешней валидации, доказательства влияния на клинические исходы и интеграции в рабочий процесс УЗ-навигации.

Применение ИИ после процедуры РЧА

После абляции пациенты, как правило, наблюдаются с УЗИ-контролем в сроки 1, 3, 6, 12 мес и далее ежегодно [3]. При каждом осмотре измеряется размер узла и определяется процент уменьшения относительно исходного объёма. Как отмечалось, ИИ способен выполнять эту операцию автоматически, с высокой точностью сегментируя узловое образование. Несмотря на значительный прогресс в сегментации узлов щитовидной железы на УЗ-изображениях, публикаций, в которых ИИ-модель была бы специально обучена и клинически валидирована для сегментации постабляционных изменений на контрольном УЗИ после РЧА узлов щитовидной железы, в доступных литературных источниках нами не выявлено.

Оценка остаточной перфузии и границ абляционной зоны является наиболее сложной задачей после РЧА [19]. Клинические исследования демонстрируют, что точность измерения объёма абляции на серошкальных УЗ-изображениях статистически несопоставимо с CEUS [27, 28, 29]. Упомянутое исследование Chen et al. [26] подчеркивает клиническую ценность моделей ИИ для постабляционного контроля: метод GAN формирует псевдо-CEUS изображения на основании серошкального УЗИ, которые можно использовать для оценки полноты абляции. Пример автоматизации постабляционной визуализации описан в исследовании Zimmermann et al. [30]. Авторами была обучена ИИ-модель на основе глубокого обучения для выполнения задач сегментации и измерения абляционной зоны после РЧА на серошкальных УЗ-изображениях ткани куриной грудки и печени (7275 изображений). Сравнение диаметров зон абляции, измеренных вручную и с помощью искусственного интеллекта, не выявило существенных различий, а коэффициенты корреляции превысили 0,96. Это иллюстрирует принципиальную реализуемость автоматизированных процессов сегментации и измерения абляционной зоны, но без клинической валидации на УЗ-изображениях узловых образований щитовидной железы после РЧА.

Для пациентов, перенёсших РЧА по поводу папиллярной микрокарциномы, ключевой клинической задачей остаётся длительное наблюдение с оценкой динамики абляционного очага и исключением локального рецидива и регионарных метастазов [31].  В практических протоколах наблюдения УЗ-контроль дополняют клиническими данными и определением уровня лабораторных маркеров [32]. В этой связи перспективным направлением считается использование алгоритмов обработки текстов, позволяющих структурировать данные наблюдения и извлекать факторы прогноза из медицинской документации. В частности, показано, что NLP-модели (Natural Language Processing – обработка естественного языка), могут интерпретировать данные протокола ультразвукового исследования щитовидной железы и оценивать ключевые признаки узлов [32]. Отдельно продемонстрировано, что NLP-модели по данным электронных медицинских записей способны решать прикладные задачи (например, определять обоснованность назначения УЗИ щитовидной железы), что обеспечивает автоматизацию контроля качества и маршрутизации пациента [33]. В исследованиях, касающихся оптимизации ведения медицинской документации показано, что ИИ-помощник может сокращать время подготовки выписных эпикризов, сохраняя приемлемое качество при редактировании врачом [34, 35]. Однако внедрение NLP-моделей в клиническую практику сдерживается существенным риском так называемых «галлюцинаций» — уверенно сформулированных, но фактически неверных выводов, которые в публикациях прямо рассматриваются как клинически значимая угроза безопасности пациента.

Таким образом, после РЧА ИИ-подходы потенциально улучшает три ключевых компонента наблюдения:

1) Автоматизация измерений и расчёта динамики объёма узла на контрольных УЗИ;

2) Объективная оценка полноты абляции за счёт алгоритмических методов постабляционной визуализации

3) Поддержка длительного онкологического мониторинга, в том числе за счёт структурирования данных наблюдения и извлечения клинико-патологических признаков из медицинской документации

Обсуждение

Настоящий обзор показывает, что технологии искусственного интеллекта имеют клиническую ценность на дооперационном этапе ведения пациентов с узловыми образованиями щитовидной железы (в первую очередь — в задачах УЗ-диагностики, стратификации риска и отбора), тогда как на интраоперационном и послеоперационном этапах доказательная база неоднородна и во многом представлена экспериментальными работами. ИИ-CAD-подходы демонстрируют сопоставимые с врачами-экспертами показатели точности по данным систематических обзоров и метаанализов [13, 14], а также в сравнительных исследованиях с участием сертифицированных клинических ИИ-систем (например, Koios DS™ Thyroid) [17].

Требования к мониторингу объёма узла и прогнозу объема сокращения узла после РЧА делают автоматическую сегментацию клинически значимой уже на этапе подготовки и планирования. В обзоре приведены данные о высокой точности сегментации узлов на УЗ-изображениях, что делает технически выполнимой данную задачу [20]. Одновременно подчёркнуто, что в долгосрочных наблюдениях повторные сеансы РЧА требуются у существенной доли пациентов, что повышает ценность корректного предоперационного прогнозирования ответа [19].

Сравнивая подходы к прогнозированию эффекта, можно выделить два методологических подхода. Первый — модели компьютерного зрения, где целевым исходом выступает достижение порогового уменьшения объёма; авторы показывают, что такие модели могут использоваться для персонализации информирования пациента о вероятности недостаточного эффекта и необходимости повторной абляции [21]. Второй — многофакторные модели на основе классического машинного обучения с включением УЗ-характеристик, демонстрирующие высокую точность (AUC 0,86) и выделяющие клинико-сонографические предикторы благоприятного ответа [22].

Процедура РЧА требует постоянного визуального контроля положения электрода и зоны воздействия при технике moving-shot [3]. На сегодняшний день наиболее предметно описан алгоритмический трекинг инструмента на видеоряде УЗИ. В работе Hui et al. представлены сопоставления различных моделей и баз данных с использованием метрик пространственного расхождения (Modified Hausdorff Distance и targeting error), что демонстрирует принципиальную реализуемость задачи в режиме, применимом для навигации [23].

Контроль полноты абляции — одна из центральных проблем интра- и постпроцедурного этапов. Считается, что CEUS остаётся опорным методом оценки полноты абляции, а возможности серошкального УЗИ ограничены для точного определения остаточной перфузии и границ абляционной зоны [27–29]. Предложенная Chen et al. GAN-модель формирует pseudo-CEUS и демонстрирует высокое сходство с CEUS (SSIM 0,89). Хотя модель была обучена на изображениях разных органов, она задаёт перспективную траекторию развития для контроля эффекта при РЧА, когда доступность CEUS может быть ограничена [26].

Один из главных барьеров внедрения ИИ в клиническую практику – проверка алгоритмов вне лабораторных условий. В практическом плане это означает, что алгоритм, разработанный в одной клинике, при применении в другой, нередко демонстрирует снижение показателей диагностической эффективности без локальной адаптации. К основным причинам относят: 1) различия в структуре патологии и коморбидности; 2) вариативность УЗ-оборудования и протоколов сканирования (тип датчика, настройки аппарата и пр.). В этой связи наилучшие результаты чаще достигаются при обучении или дообучении модели на данных конкретного учреждения/региона с последующей внешней валидацией на независимой локальной выборке [36]. Практически это обосновывает необходимость создания банков УЗ-изображений узлов щитовидной железы с едиными протоколами разметки.

Важно подчеркнуть, что исследования в области ИИ для диагностики и интервенционных вмешательств на щитовидной железе всё чаще строятся на мультидисциплинарном подходе: в авторских коллективах объединяются специалисты УЗ-диагностики, эндокринологи, радиологи, онкологи, а также инженеры/специалисты по данным. Всё более обсуждаемым условием внедрения становится развитие у врачей цифровой грамотности и целевого обучения работе с ИИ-инструментами — от базового понимания принципов обучения и типичных ошибок до навыков критической оценки ИИ-заключений в контексте клинической картины. В ряде зарубежных профессиональных сообществ (прежде всего в радиологии) основы ИИ уже рассматриваются как часть образовательных программ за рубежом.

Выводы

Искусственный интеллект в рамках радиочастотной абляции узлов щитовидной железы формирует быстро развивающуюся, но неоднородную экосистему решений. Наиболее убедительная доказательная база сегодня относится к дооперационному этапу — автоматизированной ультразвуковой диагностике, стратификации риска и поддержке решений о ТАБ, где ИИ-системы в ряде работ и метаанализов демонстрируют сопоставимую с экспертами эффективность и могут снижать вариабельность интерпретации.

На интра- и постабляционных этапах ИИ-разработки преимущественно представлены экспериментальными работами. Наиболее практико-ориентированным направлением постпроцедурного контроля выглядит алгоритмическое повышение информативности серошкального УЗИ (включая подходы псевдо-CEUS) и автоматизация измерений при динамическом наблюдении, тогда как клинически валидированных моделей для сегментации постабляционных изменений узлов щитовидной железы пока недостаточно. Ключевыми условиями внедрения остаются многоцентровая внешняя валидация, адаптация ИИ-моделей к конкретным УЗИ-аппаратам и протоколам, а также обучение клиницистов интерпретации результатов ИИ в рамках мультидисциплинарной модели принятия решений.

 

×

About the authors

Vyacheslav Alexandrovich Solovov

Samara Regional Clinical Oncology Dispensary

Email: samarasdc@yahoo.com
ORCID iD: 0000-0002-8791-6825
SPIN-code: 9790-6194

MD, PhD (Medicine), Professor, Head of the Department of Interventional Diagnostic and Treatment Methods, Samara Regional Clinical Oncology Dispensary

Russian Federation, 50 Solnechnaya Street, Samara, 443031, Russian Federation

Andrey Andreevich Fedulov

Samara State Medical University, Ministry of Health of the Russian Federation

Author for correspondence.
Email: fedulov-2000@inbox.ru
ORCID iD: 0009-0007-9796-9481

Ординатор по специальности «Онкология» института профессионального образования ФГБОУ ВО «Самарский государственный медицинский университет» Минздрава России

Russian Federation, 89 Chapaevskaya Street, Samara, 443099, Russian Federation

Olga Nikolaevna Ablekova

Samara Regional Clinical Oncology Dispensary

Email: o.ablekova@mail.ru
ORCID iD: 0009-0000-1774-8494
SPIN-code: 7971-3229

Head of the Department of Ultrasound Diagnostics, Samara Regional Clinical Oncology Dispensary

Russian Federation, 50 Solnechnaya Street, Samara, 443031, Russian Federation

References

  1. Haugen BR, Alexander EK, Bible KC, Doherty GM, Mandel SJ, Nikiforov YE, Pacini F, Randolph GW, Sawka AM, Schlumberger M, Schuff KG, Sherman SI, Sosa JA, Steward DL, Tuttle RM, Wartofsky L. 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. Thyroid. 2016 Jan;26(1):1-133. doi: 10.1089/thy.2015.0020. PMID: 26462967; PMCID: PMC4739132.
  2. Grani G, Sponziello M, Filetti S, Durante C. Thyroid nodules: diagnosis and management. Nat Rev Endocrinol. 2024 Dec;20(12):715-728. doi: 10.1038/s41574-024-01025-4. Epub 2024 Aug 16. PMID: 39152228.
  3. Orloff LA, Noel JE, Stack BC Jr, Russell MD, Angelos P, Baek JH, Brumund KT, Chiang FY, Cunnane MB, Davies L, Frasoldati A, Feng AY, Hegedüs L, Iwata AJ, Kandil E, Kuo J, Lombardi C, Lupo M, Maia AL, McIver B, Na DG, Novizio R, Papini E, Patel KN, Rangel L, Russell JO, Shin J, Shindo M, Shonka DC Jr, Karcioglu AS, Sinclair C, Singer M, Spiezia S, Steck JH, Steward D, Tae K, Tolley N, Valcavi R, Tufano RP, Tuttle RM, Volpi E, Wu CW, Abdelhamid Ahmed AH, Randolph GW. Radiofrequency ablation and related ultrasound-guided ablation technologies for treatment of benign and malignant thyroid disease: An international multidisciplinary consensus statement of the American Head and Neck Society Endocrine Surgery Section with the Asia Pacific Society of Thyroid Surgery, Associazione Medici Endocrinologi, British Association of Endocrine and Thyroid Surgeons, European Thyroid Association, Italian Society of Endocrine Surgery Units, Korean Society of Thyroid Radiology, Latin American Thyroid Society, and Thyroid Nodules Therapies Association. Head Neck. 2022 Mar;44(3):633-660. doi: 10.1002/hed.26960. Epub 2021 Dec 23. PMID: 34939714.
  4. Yan L, Zhang M, Li X, Li Y, Luo Y. A Nomogram to Predict Regrowth After Ultrasound-Guided Radiofrequency Ablation for Benign Thyroid Nodules. Front Endocrinol (Lausanne). 2022 Feb 17;12:774228. doi: 10.3389/fendo.2021.774228. PMID: 35250847; PMCID: PMC8891142.
  5. Li B, Qian Y, Huang Y, Li Z. Efficacy and safety of thermal ablation modalities for the treatment of papillary thyroid microcarcinoma: Systematic Review and network meta-analysis. Heliyon. 2024 Jan 30;10(3):e25536. doi: 10.1016/j.heliyon.2024.e25536. PMID: 38327414; PMCID: PMC10848020.
  6. Kim JH, Baek JH, Lim HK, Na DG. Summary of the 2017 thyroid radiofrequency ablation guideline and comparison with the 2012 guideline. Ultrasonography. 2019 Apr;38(2):125-134. doi: 10.14366/usg.18044. Epub 2018 Sep 27. PMID: 30458605; PMCID: PMC6443588.
  7. Yan L, Zhang M, Song Q, Luo Y. Ultrasound-Guided Radiofrequency Ablation Versus Thyroid Lobectomy for Low-Risk Papillary Thyroid Microcarcinoma: A Propensity-Matched Cohort Study of 884 Patients. Thyroid. 2021 Nov;31(11):1662-1672. doi: 10.1089/thy.2021.0100. Epub 2021 Sep 17. PMID: 34269611.
  8. Yue WW, Qi L, Wang DD, Yu SJ, Wang XJ, Xu HX, Wang SR. US-guided Microwave Ablation of Low-Risk Papillary Thyroid Microcarcinoma: Longer-Term Results of a Prospective Study. J Clin Endocrinol Metab. 2020 Jun 1;105(6):dgaa128. doi: 10.1210/clinem/dgaa128. PMID: 32198508.
  9. Li W, Sun Y, Xu H, Shang W, Dong A. Systematic Review and Meta-Analysis of American College of Radiology TI-RADS Inter-Reader Reliability for Risk Stratification of Thyroid Nodules. Front Oncol. 2022 May 13;12:840516. doi: 10.3389/fonc.2022.840516. PMID: 35646667; PMCID: PMC9136001.
  10. Grani G, Lamartina L, Cantisani V, Maranghi M, Lucia P, Durante C. Interobserver agreement of various thyroid imaging reporting and data systems. Endocr Connect. 2018 Jan;7(1):1-7. doi: 10.1530/EC-17-0336. Epub 2017 Dec 1. PMID: 29196301; PMCID: PMC5744624.
  11. Hoang JK, Middleton WD, Farjat AE, Teefey SA, Abinanti N, Boschini FJ, Bronner AJ, Dahiya N, Hertzberg BS, Newman JR, Scanga D, Vogler RC, Tessler FN. Interobserver Variability of Sonographic Features Used in the American College of Radiology Thyroid Imaging Reporting and Data System. AJR Am J Roentgenol. 2018 Jul;211(1):162-167. doi: 10.2214/AJR.17.19192. Epub 2018 Apr 27. PMID: 29702015.
  12. Cai X, Zhou Y, Ren J, Wei J, Lu S, Gu H, Xu W, Zhu X. Intelligent diagnosis of thyroid nodules with AI ultrasound assistance and cytology classification. Front Endocrinol (Lausanne). 2025 May 21;16:1546983. doi: 10.3389/fendo.2025.1546983. PMID: 40469435; PMCID: PMC12133466.
  13. Xu L, Gao J, Wang Q, Yin J, Yu P, Bai B, Pei R, Chen D, Yang G, Wang S, Wan M. Computer-Aided Diagnosis Systems in Diagnosing Malignant Thyroid Nodules on Ultrasonography: A Systematic Review and Meta-Analysis. Eur Thyroid J. 2020 Jul;9(4):186-193. doi: 10.1159/000504390. Epub 2019 Dec 4. PMID: 32903956; PMCID: PMC7445671.
  14. 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. Eur Arch Otorhinolaryngol. 2022 Nov;279(11):5363-5373. doi: 10.1007/s00405-022-07436-1. Epub 2022 Jun 29. PMID: 35767056.
  15. Athreya S, Melehy A, Suthahar SSA, Ivezić V, Radhachandran A, Sant VR, Moleta C, Zheng H, Patel M, Masamed R, Livhits M, Yeh M, Arnold CW, Speier W. Combining Ultrasound Imaging and Molecular Testing in a Multimodal Deep Learning Model for Risk Stratification of Indeterminate Thyroid Nodules. Thyroid. 2025 May;35(5):590-594. doi: 10.1089/thy.2024.0584. (in Engl).
  16. Shen, P., Yang, Z., Sun, J. et al. Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging. Nat Commun 16, 7052 (2025). https://doi.org/10.1038/s41467-025-62042-z. (in Engl).
  17. Ashton J, Morrison S, Erkanli A, Wildman-Tobriner B. Assessment of the Diagnostic Performance of a Commercially Available Artificial Intelligence Algorithm for Risk Stratification of Thyroid Nodules on Ultrasound. Thyroid. 2024 Nov;34(11):1379-1388. doi: 10.1089/thy.2024.0410. Epub 2024 Oct 15. PMID: 39405186.
  18. Guo Fangqi, LIU Sheng, Xu Lei, Li Yonggang, Zhao Jiaqi. Ultrasound image analysis based on AI-SONICTM Thyroid 5.3.3.0 to predict malignant risk of thyroid nodules. Academic Journal of Naval Medical University, 2024, 45(1): 29-36 (in Chinese with English abstract)
  19. Kim JH, Baek JH, Lim HK, Ahn HS, Baek SM, Choi YJ, Choi YJ, Chung SR, Ha EJ, Hahn SY, Jung SL, Kim DS, Kim SJ, Kim YK, Lee CY, Lee JH, Lee KH, Lee YH, Park JS, Park H, Shin JH, Suh CH, Sung JY, Sim JS, Youn I, Choi M, Na DG; Guideline Committee for the Korean Society of Thyroid Radiology (KSThR) and Korean Society of Radiology. 2017 Thyroid Radiofrequency Ablation Guideline: Korean Society of Thyroid Radiology. Korean J Radiol. 2018 Jul-Aug;19(4):632-655. doi: 10.3348/kjr.2018.19.4.632. Epub 2018 Jun 14. PMID: 29962870; PMCID: PMC6005940.
  20. Savelonas, M. An Overview of AI-Guided Thyroid Ultrasound Image Segmentation and Classification for Nodule Assessment. Big Data Cogn. Comput. 2025, 9, 255. https://doi.org/10.3390/bdcc9100255
  21. Negro R, Rucco M, Creanza A, Mormile A, Limone PP, Garberoglio R, Spiezia S, Monti S, Cugini C, El Dalati G, Deandrea M. Machine Learning Prediction of Radiofrequency Thermal Ablation Efficacy: A New Option to Optimize Thyroid Nodule Selection. Eur Thyroid J. 2020 Jul;9(4):205-212. doi: 10.1159/000504882. Epub 2019 Dec 19. PMID: 32903883; PMCID: PMC7445654.
  22. Li Z, Nie W, Liu Q, Lin M, Li X, Zhang J, Liu T, Deng Y, Li S. A prognostic model for thermal ablation of benign thyroid nodules based on interpretable machine learning. Front Endocrinol (Lausanne). 2024 Aug 19;15:1433192. doi: 10.3389/fendo.2024.1433192. PMID: 39224123; PMCID: PMC11366643.
  23. Hui X, Rajendran P, Ling T, Dai X, Xing L, Pramanik M. Ultrasound-guided needle tracking with deep learning: A novel approach with photoacoustic ground truth. Photoacoustics. 2023 Nov 29;34:100575. doi: 10.1016/j.pacs.2023.100575. PMID: 38174105; PMCID: PMC10761306.
  24. Zhou Y, Chen C, Yao J, Yu J, Feng B, Sui L, Yan Y, Chen X, Liu Y, Zhang X, Wang H, Pan Q, Zou W, Zhang Q, Lin L, Xu C, Yuan S, He Q, Ding X, Liang P, Wang VY, Xu D. A deep learning based ultrasound diagnostic tool driven by 3D visualization of thyroid nodules. NPJ Digit Med. 2025 Feb 27;8(1):126. doi: 10.1038/s41746-025-01455-y. PMID: 40016505; PMCID: PMC11868480.
  25. Roxane Munsterman, Tim Boers, Sicco J. Braak, Jelmer M. Wolterink, Michel Versluis, Srirang Manohar, Deep learning-based segmentation of 3D ultrasound images of the thyroid, WFUMB Ultrasound Open, Volume 2, Issue 2, 2024, 100055, ISSN 2949-6683, https://doi.org/10.1016/j.wfumbo.2024.100055.
  26. Chen C, Yu J, Xu Z, Xu C, Zhou Z, Hao J, Wang VY, Yao J, Zhou L, Xu C, Song M, Zhang Q, Liu X, Sui L, Yan Y, Jiang T, Zhou Y, Wu Y, Xiao B, Xu C, Mi H, Yang L, Wu Z, He Q, Chen J, Liu Q, Xu D. Pseudo-Contrast-enhanced US via Enhanced Generative Adversarial Networks for Evaluating Tumor Ablation Efficacy. Radiol Artif Intell. 2025 May;7(3):e240370. doi: 10.1148/ryai.240370. PMID: 40136025.
  27. Yan L, Luo Y, Xiao J, Lin L. Non-enhanced ultrasound is not a satisfactory modality for measuring necrotic ablated volume after radiofrequency ablation of benign thyroid nodules: a comparison with contrast-enhanced ultrasound. Eur Radiol. 2021 May;31(5):3226-3236. doi: 10.1007/s00330-020-07398-0. Epub 2020 Oct 31. PMID: 33128600.
  28. Schiaffino S, Serpi F, Rossi D, Ferrara V, Buonomenna C, Alì M, Monfardini L, Sconfienza LM, Mauri G. Reproducibility of Ablated Volume Measurement Is Higher with Contrast-Enhanced Ultrasound than with B-Mode Ultrasound after Benign Thyroid Nodule Radiofrequency Ablation-A Preliminary Study. J Clin Med. 2020 May 16;9(5):1504. doi: 10.3390/jcm9051504. PMID: 32429487; PMCID: PMC7291258.
  29. Yan L, Li X, Xiao J, Li Y, Zhu Y, He H, Luo Y. Contrast-enhanced ultrasound is a reliable and reproducible assessment of necrotic ablated volume after radiofrequency ablation for benign thyroid nodules: a retrospective study. Int J Hyperthermia. 2022;39(1):40-47. doi: 10.1080/02656736.2021.1991009. PMID: 34936850.
  30. Zimmermann C, Michelmann A, Daniel Y, Enderle MD, Salkic N, Linzenbold W. Application of Deep Learning for Real-Time Ablation Zone Measurement in Ultrasound Imaging. Cancers (Basel). 2024 Apr 27;16(9):1700. doi: 10.3390/cancers16091700. PMID: 38730652; PMCID: PMC11083655.
  31. Seo YK, Cho SW, Sim JS, Yang GE, Cho W. Radiofrequency Ablation of Papillary Thyroid Microcarcinoma: A 10-Year Follow-Up Study. Taehan Yongsang Uihakhoe Chi. 2021 Jul;82(4):914-922. doi: 10.3348/jksr.2020.0128. Epub 2021 Apr 14. PMID: 36238050; PMCID: PMC9514404.
  32. Cabezas E, Toro-Tobon D, Johnson T, Álvarez M, Azadi JR, Gonzalez-Velasquez C, Singh Ospina N, Ponce OJ, Branda ME, Brito JP. ChatGPT-4's Accuracy in Estimating Thyroid Nodule Features and Cancer Risk From Ultrasound Images. Endocr Pract. 2025 Jun;31(6):716-723. doi: 10.1016/j.eprac.2025.03.008. Epub 2025 Mar 24. PMID: 40139461.
  33. Jacome CS, Torres DS, Fan JW, Loor-Torres R, Duran M, Zahidy MA, Cabezas E, Borras-Osorio M, Toro-Tobon D, Wu Y, Wu Y, Ospina NS, Brito JP. Thyroid Ultrasound Appropriateness Identification Through Natural Language Processing of Electronic Health Records. Mayo Clin Proc Digit Health. 2024 Mar;2(1):67-74. doi: 10.1016/j.mcpdig.2024.01.001. Epub 2024 Feb 1. PMID: 38501072; PMCID: PMC10947349.
  34. Song JW, Park J, Kim JH, You SC. Large Language Model Assistant for Emergency Department Discharge Documentation. JAMA Netw Open. 2025;8(10):e2538427. doi: 10.1001/jamanetworkopen.2025.38427
  35. Woo BFY, Cato K, Cho H, You SB, Song J. The use of large language models in clinical documentation: A scoping review. Int J Nurs Stud. 2025 Dec 19;176:105322. doi: 10.1016/j.ijnurstu.2025.105322. Epub ahead of print. PMID: 41512731.
  36. Zhao J, Zhou X, Shi G, Xiao N, Song K, Zhao J, Hao R, Li K. Semantic consistency generative adversarial network for cross-modality domain adaptation in ultrasound thyroid nodule classification. Appl Intell (Dordr). 2022;52(9):10369-10383. doi: 10.1007/s10489-021-03025-7. Epub 2022 Jan 13. PMID: 35039715; PMCID: PMC8754560.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) Eco-Vector

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 79539 от 09 ноября 2020 г.