人工智能应用于甲状腺结节评估的进展与挑战

doi:10.3877/cma.j.issn.1674-0793.2026.01.011

甲状腺癌是内分泌系统最常见的恶性肿瘤，其发病率逐年上升。鉴于甲状腺结节患者基数庞大，对结节良恶性的精准评估是早期诊治甲状腺癌的关键临床需求。人工智能（AI）技术凭借其强大的数据处理与模式识别能力，在甲状腺结节超声影像分析、CT影像特征提取及细针穿刺抽吸细胞学诊断方面均取得了显著进展。本文着眼于AI在评估甲状腺结节中的应用，基于不同检查方式探讨AI提升甲状腺结节评估准确性下限的作用，并展望AI加入现有诊断体系的潜在应用场景，以及可能面临的新问题与挑战。

关键词: 甲状腺肿瘤, 甲状腺结节, 人工智能

Thyroid cancer is the most prevalent malignancy within the endocrine system, with its incidence rate demonstrating a consistent annual increase. Given the substantial patient population presenting with thyroid nodules, the precise evaluation of nodule malignancy constitutes a critical clinical priority for the early diagnosis and treatment of thyroid cancer. Artificial intelligence (AI) technology, with its advanced capabilities in data processing and pattern recognition, has achieved significant progress in the analysis of thyroid nodule ultrasound imaging, CT image feature extraction, and fine needle aspiration biopsy cytological diagnosis. This review focuses on the application of AI evaluation of thyroid nodules, investigating its role in improving the lower bound of evaluation accuracy across various diagnostic modalities. Besides, the review prospects potential application scenarios for the integration of AI into existing diagnostic systems, while addressing the novel challenges and issues that may arise.

Key words: Thyroid neoplasms, Thyroid nodules, Artificial intelligence

表1 AI应用于甲状腺结节超声影像分析的代表性研究

AI模型	测试病例数	敏感度（%）	特异度（%）	准确性（%）	曲线下面积
S-Detect^［8］	454	97.6	21.6	49.8	/
AmCAD-UT^［9］	300	87.0	68.8	/	0.72
Koios DS^［10-11］	500	65.0	61.0	/	0.80
LLNM-Net^［12］	9 836	94.7	76.8	84.7	0.944
ThyGPT^［13］	3 376	90.3	90.9	90.6	0.953

表1 AI应用于甲状腺结节超声影像分析的代表性研究

AI模型	测试病例数	敏感度（%）	特异度（%）	准确性（%）	曲线下面积
S-Detect^［8］	454	97.6	21.6	49.8	/
AmCAD-UT^［9］	300	87.0	68.8	/	0.72
Koios DS^［10-11］	500	65.0	61.0	/	0.80
LLNM-Net^［12］	9 836	94.7	76.8	84.7	0.944
ThyGPT^［13］	3 376	90.3	90.9	90.6	0.953

表2 AI应用于甲状腺恶性结节颈部淋巴结转移CT影像、FNA细胞学诊断的代表性研究

第一作者	AI应用	测试病例数	敏感度（%）	特异度（%）	准确性（%）	曲线下面积
Li^［14］	CT影像	66	62	92	73	0.81
Wang^［15］	CT影像	73	/	/	/	0.764
Wang^［17］	FNA细胞学	537	89.69 (TBSRTC Ⅲ+)	94.2	89.0	0.977 (TBSRTC Ⅲ+)
Wang^［17］	FNA细胞学	537	92.7(TBSRTC Ⅴ+)	94.2	89.0	0.981 (TBSRTC Ⅴ+)

表2 AI应用于甲状腺恶性结节颈部淋巴结转移CT影像、FNA细胞学诊断的代表性研究

第一作者	AI应用	测试病例数	敏感度（%）	特异度（%）	准确性（%）	曲线下面积
Li^［14］	CT影像	66	62	92	73	0.81
Wang^［15］	CT影像	73	/	/	/	0.764
Wang^［17］	FNA细胞学	537	89.69 (TBSRTC Ⅲ+)	94.2	89.0	0.977 (TBSRTC Ⅲ+)
Wang^［17］	FNA细胞学	537	92.7(TBSRTC Ⅴ+)	94.2	89.0	0.981 (TBSRTC Ⅴ+)

［1］	Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229–263.
［2］	Alexander EK, Cibas ES. Diagnosis of thyroid nodules[J]. Lancet Diabetes Endocrinol, 2022, 10(7): 533–539.
［3］	Grani G, Sponziello M, Filetti S, et al. Thyroid nodules: diagnosis and management[J]. Nat Rev Endocrinol, 2024, 20(12): 715–728.
［4］	Chen ZH, Lin L, Wu CF, et al. Artificial intelligence for assisting cancer diagnosis and treatment in the era of precision medicine[J]. Cancer Commun (Lond), 2021, 41(11): 1100–1115.
［5］	Wildman-Tobriner B, Taghi-Zadeh E, Mazurowski MA. Artificial intelligence (AI) tools for thyroid nodules on ultrasound, from the AJR special series on AI applications[J]. AJR Am J Roentgenol, 2022, 219(4): 1–8.
［6］	Toro-Tobon D, Loor-Torres R, Duran M, et al. Artificial intelligence in thyroidology: A narrative review of the current applications, associated challenges, and future directions[J]. Thyroid, 2023, 33(8): 903–917.
［7］	Sant VR, Radhachandran A, Ivezic V, et al. From bench-to-bedside: how artificial intelligence is changing thyroid nodule diagnostics, a systematic review[J]. J Clin Endocrinol Metab, 2024, 109(7): 1684–1693.
［8］	Li Y, Liu Y, Xiao J, et al. Clinical value of artificial intelligence in thyroid ultrasound: A prospective study from the real world[J]. Eur Radiol, 2023, 33(7): 4513–4523.
［9］	Reverter JL, Vazquez F, Puig-Domingo M. Diagnostic performance evaluation of a computer-assisted imaging analysis system for ultrasound risk stratification of thyroid nodules[J]. AJR Am J Roentgenol, 2019, 213(1): 169–174.
［10］	Ashton J, Morrison S, Erkanli A, et al. Assessment of the diagnostic performance of a commercially available artificial intelligence algorithm for risk stratification of thyroid nodules on ultrasound[J]. Thyroid, 2024, 34(11): 1379–1388.
［11］	Fernandez VP, Perez LP, Torres TB, et al. Clinical evaluation of an artificial intelligence-based decision support system for the diagnosis and American College of Radiology Thyroid Imaging Reporting and Data System Classification of Thyroid Nodules[J]. Thyroid, 2024, 34(4): 510–518.
［12］	Shen P, Yang Z, Sun J, et al. Explainable multimodal deep learning for predicting thyroid cancer lateral lymph node metastasis using ultrasound imaging[J]. Nat Commun, 2025, 16(1): 7052.
［13］	Yao J, Wang Y, Lei Z, et al. Multimodal GPT model for assisting thyroid nodule diagnosis and management[J]. NPJ Digit Med, 2025, 8(1): 245.
［14］	Li J, Wu X, Mao N, et al. Computed tomography-based radiomics model to predict central cervical lymph node metastases in papillary thyroid carcinoma: A multicenter study[J]. Front Endocrinol (Lausanne), 2021, 12: 741698.
［15］	Wang C, Yu P, Zhang H, et al. Artificial intelligence-based prediction of cervical lymph node metastasis in papillary thyroid cancer with CT[J]. Eur Radiol, 2023, 33(10): 6828–6840.
［16］	Zeng S, Liu Y, Duan X, et al. Artificial intelligence in CT for predicting cervical lymph node metastasis in papillary thyroid cancer patients: A Meta-analysis[J]. Acad Radiol, 2025, 32(5): 2554–2568.
［17］	Wang J, Zheng N, Wan H, et al. Deep learning models for thyroid nodules diagnosis of fine-needle aspiration biopsy: A retrospective, prospective, multicentre study in China[J]. Lancet Digit Health, 2024, 6(7): e458-e469.
［18］	Sun Y, Selvarajan S, Zang Z, et al. Artificial intelligence defines protein-based classification of thyroid nodules[J]. Cell Discov, 2022, 8(1): 85.
［19］	Bhattacharya S, Mahato RK, Singh S, et al. Advances and challenges in thyroid cancer: the interplay of genetic modulators, targeted therapies, and AI-driven approaches[J]. Life Sci, 2023, 332: 122110.

[1]	张振奇, 卢漫, 齐艺涵, 庄敏, 胡紫玥, 王璐. 基于DeepSeek大语言模型的胃癌和直肠癌超声报告结构化及T分期自动评估研究[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(11): 1055-1061.
[2]	周欣, 梁豪进, 邓振宇, 肖菊花, 周小军. 基于人工智能技术评价江西省孕11~13⁺⁶周产前超声筛查质量现状及提出能力提升对策[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(09): 850-857.
[3]	张振奇, 齐艺涵, 王璐, 胡紫玥, 李婷婷, 卢漫. 大语言模型DeepSeek-R1在甲状腺超声报告质量控制中的初步应用[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(09): 832-837.
[4]	江瑶, 蒋程, 余翔, 谭莹, 温昕, 温慧莹, 彭桂艳, 李胜利. 基于注意力机制改进的子宫解剖结构检测与分割多任务模型的性能评估[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(08): 703-710.
[5]	陈明朗, 许凯, 黄稚熙, 梁博诚, 贺杰, 黄海珊, 马微波, 谭莹, 邹志英, 刘晓棠, 彭桂艳, 陈家希, 钟晓红. MobileNetV4：面向产前超声的主动脉弓分支异常智能诊断研究[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(08): 711-720.
[6]	杨丽仙, 黄稚熙, 梁博诚, 欧阳淑媛, 陈明朗, 赵英丽, 马薇波, 缪敬, 王磊, 袁鹰. 基于产前时序超声数据的新生儿出生体重智能预测[J/OL]. 中华医学超声杂志（电子版）, 2025, 22(08): 721-732.
[7]	王祝愉, 权晶晶. 人工智能辅助参与牙体牙髓基础与临床研究[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(01): 25-33.
[8]	吕思怡, 王琰琪, 仇珺, 陈宇江, 高洁. 人工智能图像处理技术在口腔医学中的应用[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(01): 40-46.
[9]	李翠君, 蔡耿彬, 梁晓铟, 王泳怡, 詹欣怡, 古佩明. 人工智能在口腔护理中的应用[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(01): 47-50.
[10]	陈泽涛, 邱龙诗语, 龚卓弘, 刘恒毅, 曾培生, 施梦汝. 口腔种植定量测量人工智能化的难点解析与解决策略[J/OL]. 中华口腔医学研究杂志(电子版), 2026, 20(01): 1-8.
[11]	刘楷, 代文杰. 甲状腺癌颈部淋巴结清扫术后乳糜漏的预防与治疗措施[J/OL]. 中华普外科手术学杂志(电子版), 2026, 20(01): 87-90.
[12]	梅昊楠, 杨瑞, 刘修恒. 人工智能辅助病理学图像分析在前列腺癌诊断中的研究进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(01): 1-7.
[13]	丁小博, 陈洁, 王艳波. 人工智能在泌尿系结石诊治中的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(01): 15-21.
[14]	樊帆, 黄浩, 付莉丽, 周春梅, 马雪霞, 黄海. 下尿路功能障碍患者智能化尿控标准病房的建设及成效[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(01): 44-50.
[15]	唐玥, 陈家璐, 覃德龙, 李宗龙, 汤朝晖, 全志伟. 基于AI的多模态影像在肝癌诊治中应用及面临挑战[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(01): 4-9.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Progress and challenges in the application of artificial intelligence for evaluating thyroid nodules

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Progress and challenges in the application of artificial intelligence for evaluating thyroid nodules