Page 36 - 《中国医疗器械杂志》2026年第1期
P. 36

甲状腺与乳腺结节共性特征
                     方向不同的共性特征
                    边缘不规则性
                                                                                        不规则
                        微钙化
                                                                                        微钙化
                             无
                  内部回声异质性
                                                                                                     级，纵横比
                                                                                            中度血流信号，
                                                                                                          ，
                            均质
                                                                                             岁女性
                    血流信号分布  规则         粗大钙化        混合钙化  轻度异质                          明显异质  示例：边缘不规则，微钙化，轻度异质回声，
                                                                                            计算总分：
                             无              低              中                             高
                         分级                                                                 预测恶性概率：
                             级        级        级                 级                       级
                    结节纵横比
                     年龄（岁）   否                                                           否
              Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第1期
                         性别
                             男                                         女
                         总分
                      恶性概率                           医  学  人   工  智  能
                                                  甲状腺结节恶性风险预测列线图

                    *   甲状腺与乳腺结节共性特征
                    +   方向不同的共性特征
                    边缘不规则性
                             0
                                                                                         1
                            规则                                                          不规则
                        微钙化  0           1           2                                   3
                             无         粗大钙化        混合钙化                                 微钙化
                  内部回声异质性                                                                   示例：边缘不规则，微钙化，中度异质回声，
                             0                             1                             2  后方回声减弱，BI-RADS 5 级，无皮肤回缩，
                            均质                           轻度异质                          明显异质  45岁女性
                    后方回声减弱
                             0                                                           1  计算总分：267
                             无                                                           有
                    BI-RADS分级                                                               预测恶性概率：0.67
                             1     2     3           4                 5                 6
                             1级    2级    3级         4级                5级                6级
                     皮肤回缩性
                             0                                                           1
                             无                                                           有
                   +    年龄（岁）
                             20                40                      60                80
                         性别  0                                         1
                             男                                         女
                         总分
                             0              100           200            300            400
                      恶性概率
                                0.1            0.3               0.5        0.7      0.9
                                                 (b) 乳腺结节恶性风险预测列线图
                                         (b) Nomogram for malignancy risk prediction of breast nodules
              注：对每个特征找到患者对应值，向上垂直延伸到对应轴上，读取该点分值。将所有特征的分值相加得到总分，然后通过总分对应到恶性概率轴
              上，得到患者的预测恶性风险。
                                                 图7   泛内分泌结节预测模型列线图
                                           Fig.7  Nomogram of pan-endocrine nodule prediction model
                  年龄因素在两类结节预测中表现出相反的影响                          巢、胰腺等；③开展前瞻性多中心临床试验，评估
              方向。在甲状腺结节中，年轻患者恶性风险更高，                            模型在真实临床环境中的表现；④探索模型在术前
              这与甲状腺乳头状癌在年轻人群中更为常见的流行                            风险分层、术后复发预测等场景中的应用；⑤结合
                           [28]
              病学特征一致 ；而在乳腺结节中，年龄增长伴随                            表型－基因型关联分析，揭示不同内分泌肿瘤的共
              恶性风险上升，符合乳腺癌发病率随年龄增长而增                            同分子机制。
                      [29]
              加的特点 。这一发现强调了在多任务学习中保留                                综上所述，本研究成功构建了首个高性能甲状
              器官特异性知识的重要性。                                      腺－乳腺结节跨器官恶性风险预测模型，证实了泛
                  本研究的PEAIM不仅在统计学意义上优于现                         内分泌系统结节可通过统一的深度学习架构进行精
              有方法，更在临床应用层面展现出重要价值。首                             准风险分层。该模型充分利用不同内分泌器官结节
              先，模型可作为“第二意见”辅助临床医师评估结                            的共性特征，同时保留器官特异性知识，实现了优
              节恶性风险，尤其对于经验有限的初级医师意义重                            于单器官模型的预测性能和泛化能力。本研究系统
              大 ；其次，对于边缘医疗资源有限地区，一个能                            地揭示了影响甲状腺和乳腺结节恶性预测的共性与
                [30]
              同时处理多种内分泌结节的统一模型比多个专用模                            特异性特征，为理解内分泌相关肿瘤的共同发病机
                                       [30]
              型更具有成本效益和可行性 ；然后，模型的高灵                            制提供新视角。PEAIM具有良好的可解释性和临
              敏度可帮助减少不必要的活检，降低患者心理和经                            床实用性，为内分泌相关结节的早期精准诊断提供
                     [31]
              济负担 ；最后，模型通过SHAP分析提供的可解                           了新型辅助工具，同时为多器官联合建模在医学
              释预测结果，有助于提高医患对AI辅助决策的信任                           AI领域的应用开创了新范式。未来研究将进一步整
                         [32]
              度和接受度 。                                           合多模态数据，扩展至更多内分泌相关器官，并通
                  但本研究存在一些局限性：作为回顾性研究，                          过前瞻性临床试验验证模型在真实医疗环境中的
              存在固有的选择偏倚风险；虽然采用多中心数据，                            价值。
              但样本主要来自中国人口，对其他种族的泛化性有                                从工程角度评估，本研究构建的基于Transformer
              待验证；模型未纳入基因组学和蛋白组学数据，可                            架构的多任务深度学习模型在鲁棒性、迁移性和可
              能错过重要的分子标志物；研究排除同时患有甲状                            扩展性方面具有显著优势。在鲁棒性方面，共享表
              腺和乳腺结节的人，未能探索两类结节在同一患者                            示学习使模型能够从更大的训练集中学习更广泛的
              中的相关性；缺乏前瞻性随机对照试验以评估模型                            特征变异，显著增强了对数据噪声和分布偏移的抵
              在真实临床决策中的影响。                                      抗能力。实验结果表明，在不同子人群（按年龄、
                  未来研究方向包括：①整合多模态数据（影                           性别、结节大小等分层）中，PEAIM的性能降幅
              像、病理、基因组学等），构建更全面的预测模                             小于单器官模型（最大AUC降幅：PEAIM 0.031 vs.
              型；②扩展模型至更多内分泌相关器官结节，如卵                            单器官模型 0.057，P<0.05） 。在外部验证集上，
                                                                                          [33]
                                                             32
   31   32   33   34   35   36   37   38   39   40   41