Study on diagnosis of thyroid nodules based on convolutional neural network

Abstract

Objective

An artificial intelligence (AI) algorithm based on convolutional neural networks was used in ultrasound diagnosis in order to evaluate its performance in judging the nature of thyroid nodules and nodule classification.

Methods

A total of 105 patients with thyroid nodules confirmed by surgery or biopsy were retrospectively analyzed. The properties, characteristics, and classification of thyroid nodules were evaluated by sonographers and by AI to obtain combined diagnoses. Receiver operating characteristic curves were generated to evaluate the performance of AI, the sonographer, and their combined effort in diagnosing the nature of thyroid nodules and classifying their characteristics. In the diagnosis of thyroid nodules with solid components, hypoechoic appearance, indistinct borders, Anteroposterior/transverse diameter ratio > 1(A/T > 1), and calcification performed by sonographers and by AI, the properties exhibited statistically significant differences.

Results

Sonographers had a sensitivity of 80.7%, specificity of 73.7%, accuracy of 79.0%, and area under the curve (AUC) of 0.751 in the diagnosis of benign and malignant thyroid nodules. AI had a sensitivity of 84.5%, specificity of 81.0%, accuracy of 84.7%, and AUC of 0.803. The combined AI and sonographer diagnosis had a sensitivity of 92.1%, specificity of 86.3%, accuracy of 91.7%, and AUC of 0.910.

Conclusion

The efficacy of a combined diagnosis for benign and malignant thyroid nodules is higher than that of an AI-based diagnosis alone or a sonographer-based diagnosis alone. The combined diagnosis can reduce unnecessary fine-needle aspiration biopsy procedures and better evaluate the necessity of surgery in clinical practice.

Zusammenfassung

Ziel

Ein Algorithmus der künstlichen Intelligenz (KI) auf der Basis künstlicher (gefalteter) neuronaler Netze wurde in der Ultraschalldiagnostik eingesetzt, um seine Leistungsfähigkeit bei der Beurteilung von Schilddrüsenknoten und der Knotenklassifikation zu untersuchen.

Methoden

Retrospektiv wurden die Daten von 105 Patienten mit chirurgisch oder bioptisch bestätigten Schilddrüsenknoten analysiert. Eigenschaften, Merkmale und Klassifikation der Schilddrüsenknoten wurden von den Ultraschalluntersuchern sowie durch KI beurteilt, um so kombinierte Diagnosen zu erhalten. Mithilfe von ROC(„receiver operating characteristic curves“)-Kurven wurde die Leistungsfähigkeit der KI, der Ultraschalluntersucher und des kombinierten Einsatzes beider ermittelt, die Art der Schilddrüsenknoten und ihrer Klassifizierung zu beurteilen. Bei der durch Ultraschalluntersucher und KI erfolgten Diagnose von Schilddrüsenknoten mit festen Anteilen, echoarmem Erscheinungsbild, unklaren Grenzen, Vorne und hinten/Seitendurchmesserverhältnis > 1 sowie Kalzifizierung wiesen die Eigenschaften statistisch signifikante Unterschiede auf.

Ergebnisse

Bei den Ultraschalluntersuchern betrug die Sensitivität 80,7%, die Spezifität 73,7%, die Genauigkeit 79,0% und die AUC („area under the curve“) 0,751 für die Diagnose benigner und maligner Schilddrüsenknoten. Für die KI lag die Sensitivität bei 84,5%, die Spezifität bei 81,0%, die Genauigkeit bei 84,7% und die AUC bei 0,803. Die Diagnose auf der Grundlage einer Kombination aus KI und Ultraschalluntersuchern wies eine Sensitivität von 92,1%, ein Spezifität von 86,3%, eine Genauigkeit von 91,7% und eine AUC von 0,910 auf.

Schlussfolgerung

Die Verlässlichkeit einer Diagnose benigner und maligner Schilddrüsenknoten auf der Basis einer Kombination aus KI und Ultraschalluntersuchern ist höher als die einer KI-basierten Diagnose allein oder einer alleinigen Diagnose durch Ultraschalluntersucher. Mit einer Diagnose aus der Kombination beider Ansätze können unnötige Feinnadelaspirationsbiopsien vermindert und die Notwendigkeit eines chirurgischen Eingriffs im klinischen Alltag besser beurteilt werden.