Distinguere tra carcinoma follicolare tiroideo (FTC) e adenoma follicolare (FTA) rappresenta una delle principali sfide nella diagnosi dei noduli della tiroide, data la loro somiglianza morfologica e la diversa prognosi clinica. Un recente studio ha, però, sviluppato e validato cinque modelli di reti neurali convoluzionali (CNN), tra cui ResNet152, MobileNetV2 e VGG16, per migliorare l’accuratezza diagnostica rispetto ai sistemi di stratificazione ecografica ACR-TIRADS e C-TIRADS.
Lo studio e i suoi risultati
Lo studio ha analizzato retrospettivamente 327 pazienti sottoposti a ecografia tiroidea preoperatoria, suddivisi in coorti di training (n=263) e test (n=64).
I modelli CNN, addestrati con tecniche di transfer learning su immagini ecografiche, utilizzavano architetture pre-addestrate su ImageNet.
Alla luce dei risultati ottenuti, i modelli CNN hanno dimostrato prestazioni promettenti, poiché l’AUC si è apprezzata tra 0,64 e 0,77, con ResNet152 che ha raggiunto il valore più elevato.
Le CNN hanno superato nettamente i sistemi TI-RADS, i cui AUC si fermavano invece tra 0,50 e 0,61.
Vantaggi delle CNN rispetto ai sistemi TI-RADS
Grazie alla loro capacità di cogliere pattern spaziali complessi e leggere variazioni strutturali minime, i modelli CNN si sono rivelati più efficaci nella distinzione tra lesioni morfologicamente simili.
La calibrazione dei modelli, il beneficio netto clinico valutato tramite decision curve analysis (DCA) e la velocità di inferenza (<125 ms per immagine) hanno evidenziato un forte potenziale per l’integrazione clinica, anche in tempo reale.
Implicazioni cliniche
Le CNN si pongono come strumenti di supporto alla diagnosi preoperatoria di FTC, specialmente in presenza di citologia indeterminata (FNA).
L’utilizzo di strumenti di interpretabilità come LIME permette, inoltre, di rendere trasparenti le decisioni del modello, favorendo l’integrazione clinica e la collaborazione interdisciplinare.
Limiti dello studio e prospettive future
Nonostante i limiti di uno studio monocentrico e retrospettivo, i risultati supportano l’uso dell’intelligenza artificiale come supporto nella diagnosi preoperatoria di FTC, soprattutto in caso di citologia indeterminata.
L’adozione di CNN interpretabili tramite strumenti come LIME, può migliorare la stratificazione del rischio e ridurre il numero degli interventi chirurgici non necessari.
Queste evidenze pongono le basi per studi multicentrici futuri e promuovono l’integrazione delle reti neurali nella pratica clinica per una diagnosi più precisa, tempestiva e personalizzata dei noduli tiroidei follicolari.
Fonte: https://pubmed.ncbi.nlm.nih.gov/40592967/ Agyekum EA, Yuzhi Z, Fang Y, Agyekum DN, Wang X, Issaka E, Li C, Shen X, Qian X, Wu X. Classificazione basata sugli ultrasuoni del cancro follicolare della tiroide utilizzando reti neurali convoluzionali profonde con apprendimento di trasferimento. Sci Rep. 2025 1 luglio; 15(1):21708. DOI: 10.1038/S41598-025-05551-7. PMID: 40592967; PMCID: PMC12216321.
, tra cui ResNet152, MobileNetV2 e VGG16.){kind=link}