Буланов Михаил Николаевич – доктор мед. наук, заведующий отделением ультразвуковой диагностики ГБУЗ ВО “Областная клиническая больница”, Владимир; профессор кафедры внутренних болезней Института медицинского образования ФГБОУ ВО “Новгородский государственный университет имени Ярослава Мудрого”, Великий Новгород. https://orcid.org/0000-0001-8295-768X
Mikhail N. Bulanov – Doct. of Sci. (Med.), Head of Ultrasound Diagnostics Department, Regional Clinical Hospital, Vladimir; Professor, Division of Internal Medicine, Institute of Medical Education, Yaroslav-the-Wise Novgorod State University, Veliky Novgorod. https://orcid.org/0000-0001-8295-768X
Верховская Ольга Иосифовна – врач отделения ультразвуковой диагностики ГБУЗ ВО “Областная клиническая больница”, Владимир. https://orcid.org/0009-0007-5595-226X
Olga I. Verkhovskaya – Doctor of Ultrasound Diagnostics Department, Regional Clinical Hospital, Vladimir. https://orcid.org/0009-0007-5595-226X
С целью оценки практической эффективности программы автоматического обнаружения и анализа образований щитовидной железы на основе искусственного интеллекта S-Detect Thyroid проспективно оценено 84 очаговых образования щитовидной железы. Одновременно проводилась стратификация риска злокачественного процесса с использованием системы EU-TI-RADS. При выявлении узлов с категорией EU-TI-RADS 3–5 диаметром ≥10 мм проводилась тонкоигольная пункционная биопсия очаговых образований под ультразвуковым контролем. Цитологическое исследование пункционного материала проводилось с использованием классификации Bethesda. Пациенты разделены на 2 группы в соответствии с данными цитологического исследования: 73 пациента с доброкачественными узлами щитовидной железы (Bethesda II) и 11 пациентов со злокачественными узлами (Bethesda V). Пациенты с “неопределенными” категориями Bethesda I, III, а также IV были исключены из исследования. Результаты проведенного исследования показали, что использование программы S-Detect на основе искусственного интеллекта позволяет проводить дифференциальную диагностику доброкачественных (Bethesda II) и злокачественных (Bethesda V) узлов щитовидной железы с чувствительностью 90,9%, специфичностью 94,5%, прогностической ценностью положительного и отрицательного результатов 71,4 и 98,6%, точностью 94%, AUC 0,941. Из существующих настроек программы лучшие, на наш взгляд, результаты демонстрирует режим S-Detect “Высокая точность”, который мы и рекомендуем к практическому использованию. В некоторых случаях имели место противоречия между программой и врачом в характеристике структуры и эхогенности узлов, а также в определении наличия макро- и микрокальцинатов. С нашей точки зрения, использование критериев доброкачественности/злокачественности программы S-Detect в качестве показаний к пункционной аспирационной биопсии, возможно, позволило бы избежать излишних инвазивных диагностических вмешательств у ряда пациентов с узлами щитовидной железы, получивших категорию EU TI-RADS 3–5. Однако программа S-Detect на основе искусственного интеллекта в настоящее время не может полностью заменить интеллект, эрудицию, и опыт врача.
In order to assess the practical efficacy of the S-Detect Thyroid artificial intelligence-based program for automatic detection and analysis of thyroid lesions, the prospective assessment of 84 focal thyroid lesions was carried out. he risk of malignancy was stratified according to the EU-TIRADS at the same time. A fine-needle aspiration biopsy was performed for all detected nodules of EU-TIRADS 3–5 category and a diameter ≥10 mm. Cytological examination was performed using the Bethesda classification. According to the cytology data, all patients were divided into two groups: 73 patients with benign thyroid nodules (Bethesda II) and 11 patients with malignant nodules (Bethesda V). Patients with “uncertain” Bethesda categories “I”, “III”, and “IV” were excluded from the study. The results of the study showed that the use of the S-Detect program based on artificial intelligence allows for differential diagnostics of benign (Bethesda II) and malignant (Bethesda V) thyroid nodules with a sensitivity of 90.9%, specificity of 94.5%, positive and negative predictive value of 71.4% and 98.6%, accuracy of 94%, and AUC 0.941. In our opinion, the best results of all program settings show the S-Detect “High Accuracy” mode, which we recommend for practical use. In some cases, there was disagreement between the S-Detect and the doctor's opinion in characterizing the nodule structure and echogenicity, as well as in determining the presence of macro- and microcalcifications. In our opinion, the use of the S-Detect benign/malignant criteria as indications for needle aspiration biopsy would avoid obviously unnecessary diagnostic interventions in some patients with thyroid nodules classified as EU TIRADS 3–5. However, the S-Detect artificial intelligence program cannot currently fully replace the doctor's intellect, erudition, and experience.
The authors declare that there are no conflicts of interest present.