پیش‌بینی ریسک بدخیمی ندول تیروئید با استفاده از هوش مصنوعی

پیش‌بینی ریسک بدخیمی ندول تیروئید با استفاده از هوش مصنوعی

یک دستاورد علمی بزرگ برای پزشکان ایرانی!

📚 چاپ مقاله در مجله European Radiology (Impact Factor: 4.7)

🧑‍⚕️ پزشکان برجسته:

دکتر حسین چگینی، دکتر حجت ابراهیمی نیک، دکتر مریم پوراشرف و دکتر گودرز شهرامی بابکان

دکتر حسینی سرخوش، دکتر شیراز، دکتر تقوایی، دکتر توندگر، دکتر فرحت، دکتر همت‌آبادی

📍 با همکاری گروه غدد دانشگاه علوم پزشکی تهران

📖 لینک مطالعه مقاله در PubMed
https://pubmed.ncbi.nlm.nih.gov/39948211/

🧠 خلاصهٔ مقاله: پیش‌بینی ریسک بدخیمی ندول‌های تیروئید با استفاده از ویژگی‌های بالینی، سونوگرافی و یادگیری ماشین

هدف مطالعه: توسعه و اعتبارسنجی یک مدل پیش‌بینی ریسک بدخیمی ندول‌های تیروئید با استفاده از ویژگی‌های بالینی و سونوگرافی و بهره‌گیری از الگوریتم‌های یادگیری ماشین.

روش‌ها: در این مطالعه، داده‌های مربوط به ۵٬۷۰۸ ندول تیروئید (۴٬۵۹۷ خوش‌خیم و ۱٬۱۱۱ بدخیم) از ۵٬۰۸۱ بیمار در ۲۶ مرکز درمانی جمع‌آوری شد. ۱۷ رادیولوژیست با تجربه ویژگی‌های ندول‌ها را در تصاویر سونوگرافی ارزیابی کردند. هشت مدل پیش‌بینی برای طبقه‌بندی ندول‌ها بر اساس ریسک بدخیمی استفاده شد و عملکرد آن‌ها با استفاده از اعتبارسنجی متقابل ۱۰-تایی ارزیابی گردید. بهترین الگوریتم با استفاده از داده‌های ۴۵۴ ندول تیروئید از یک بیمارستان ثالث به‌صورت خارجی اعتبارسنجی شد و با تفسیرهای مبتنی بر سیستم‌های TIRADS مختلف مقایسه گردید.

نتایج: مقدار زیر منحنی ROC (AUROC) برای الگوریتم‌ها بین ۰٫۷۷۳ تا ۰٫۸۶۲ متغیر بود. حساسیت، ویژگی، ارزش پیش‌بینی مثبت و منفی بهترین مدل‌ها به ترتیب بین ۷۴٫۱٪ تا ۷۶٫۶٪، ۸۰٫۹٪ تا ۸۳٫۴٪، ۴۹٫۲٪ تا ۵۱٫۹٪ و ۹۳٫۰٪ تا ۹۳٫۵٪ بود. در مجموعهٔ اعتبارسنجی خارجی، مدل ElasticNet مقادیر ۸۳٫۲٪، ۸۹٫۲٪، ۸۱٫۸٪ و ۹۰٫۱٪ را به ترتیب برای این شاخص‌ها نشان داد.

نتیجه‌گیری: مدل پیش‌بینی مبتنی بر یادگیری ماشین توسعه‌یافته در این مطالعه، عملکرد قابل‌اعتمادی در طبقه‌بندی ندول‌های تیروئید بر اساس ریسک بدخیمی نشان داد و می‌تواند به بهبود مدیریت شخصی‌سازی‌شدهٔ ندول‌های تیروئید کمک کند.

📅 منتشر شده: فوریه ۲۰۲۵

✅ این موفقیت، گامی مهم در مسیر بهره‌گیری از هوش مصنوعی در تشخیص دقیق‌تر و سریع‌تر بیماری‌های تیروئیدی است.