ENHANCING DIAGNOSTIC PRECISION IN THYROID NODULE CLASSIFICATION: A DEEP LEARNING APPROACH TO AUTOMATED ULTRASOUND IMAGE ANALYSIS
Endocrinologia & Diabetes Clínica e Experimental · 2025 · 22 (1) · 40-47
DOI: 10.29327/2413063.22.1-6 ↗Kurz gefasst
Fachartikel in der Zeitschrift Endocrinologia & Diabetes Clínica e Experimental, 2025. Verfasst von Luis Matos de Oliveira und 2 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref). Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Introdução: O aumento na prevalência de nódulos tireoidianos exige um diagnóstico ultrassonográfico preciso, o qual é limitado pela variabilidade dependente do operador. Frameworks de inteligência artificial (IA) e aprendizado de máquina baseados em redes neurais convolucionais (CNN) podem melhorar a segmentação, a previsão de malignidade e a concordância entre observadores, mas frequentemente carecem de validação clínica no mundo real, arquiteturas interpretáveis e frameworks de validação acionáveis para integração translacional. Objetivo: Melhorar a precisão diagnóstica na classificação de nódulos tireoidianos utilizando uma abordagem de aprendizado profundo para análise automatizada de imagens de ultrassom. Método: Esta metodologia utilizou uma coorte retrospectiva multicêntrica de imagens de ultrassonografia da tireoide anônimas (benignas/malignas, confirmadas por histopatologia) obtidas em artigos do PubMed®. As imagens foram pré-processadas (normalização, remoção de ruído) em regiões de interesse (ROIs) anotadas por especialistas. Um framework de AP baseado em CNN (Res- Net-50, EfficientNet-B0) foi ajustada por meio de aprendizado por transferência para detecção automatizada de nódulos, segmentação e classificação de malignidade, alinhado com os critérios ACR TI-RADS™. A validação utilizou um conjunto de testes independente, métricas diagnósticas (sensibilidade, especificidade, área sob a curva característica de operação do receptor (AUC-ROC)) e análise de concordância entre observadores (kappa de Cohen) com três ultrassonografistas. O rigor estatístico realizado pelo PSPP (software de domínio público) incluiu testes t pareados, qui-quadrado e McNemar para quantificar o acordo IA-humana e otimizar a integração do ACR TI-RADS™ para estratificação de risco. Resultados: O modelo de IA demonstrou alta eficácia diagnóstica: sensibilidade de 92,5%, especificidade de 88,3%, precisão de 90,4% e AUC-ROC de 0,94, superando os ultrassonografistas tanto em sensibilidade (p
Zitieren
APA
Oliveira, L. M. D., Andrade, J. C. N. C., & Figueiredo, A. M. D. (2025). ENHANCING DIAGNOSTIC PRECISION IN THYROID NODULE CLASSIFICATION: A DEEP LEARNING APPROACH TO AUTOMATED ULTRASOUND IMAGE ANALYSIS. Endocrinologia & Diabetes Clínica e Experimental, 22(1), 40-47. https://doi.org/10.29327/2413063.22.1-6
Vancouver
Oliveira LMD, Andrade JCNC, Figueiredo AMD. ENHANCING DIAGNOSTIC PRECISION IN THYROID NODULE CLASSIFICATION: A DEEP LEARNING APPROACH TO AUTOMATED ULTRASOUND IMAGE ANALYSIS. Endocrinologia & Diabetes Clínica e Experimental. 2025;22(1):40-47. doi:10.29327/2413063.22.1-6
BibTeX
@article{Oliveira2025,
author = {Oliveira, Luis Matos de and Andrade, João Cláudio Nunes Carneiro and Figueiredo, Adriane Malta de},
title = {ENHANCING DIAGNOSTIC PRECISION IN THYROID NODULE CLASSIFICATION: A DEEP LEARNING APPROACH TO AUTOMATED ULTRASOUND IMAGE ANALYSIS},
journal = {Endocrinologia & Diabetes Clínica e Experimental},
year = {2025},
volume = {22},
number = {1},
pages = {40--47},
doi = {10.29327/2413063.22.1-6}
}
EUVIMED