摘要 引言 在颈部超声中使用人工智能（AI）进行TI-RADS分类评估甲状腺结节已被证明是有益的。我们评估了这种AI在现实世界中的学习曲线。 方法 在2023年3月至2024年6月之间，我们检查了110名患者及其176个甲状腺结节，并使用3D超声PIUR tUS Infinity软件根据ACR TI-RADS分类进行分类。在软件培训和更新后，研究重复进行，检查了133名患者及其228个结节（2023年3月至2024年10月）。每个基于AI的TI-RADS评估与一位经验丰富的内分泌外科医生（评估者）进行比较，评估者对软件结果并不知情。 结果 第一阶段：AI支持的TI-RADS分类与评估者在128/176（73%）的检查结节中相符；第二阶段：相符率为210/227（92.6%）。在软件更新后重新评估最初的110名患者时，结节的正确评估数量增加了（194 vs. 176）。在第一阶段，AI在36/176（20%）的情况下“误解”了具有微钙化或回声灶的结节（与评估者相比，导致1-3分的差异）。更新后，仅有11/227（4.8%）这样的结节仍然存在，与评估者的相关差异仅在6/227（2.6%）的异常案例中发现（自身免疫性甲状腺炎、未下降的胸腺、出血囊肿），相比于最初的7%。 结论 经过几轮深度学习，ACR TI-RADS分类的正确性显著提高，特别是在对成群结节的评估中。AI支持的超声已经成为一种可靠的工具，用于诊断非炎性组织中的真正甲状腺结节，但尚无法替代经验丰富的临床医生在复杂或不寻常的案例中；然而，快速的学习曲线令人鼓舞。
Lozan等（周三）研究了这个问题。