ketendoКлиническая и экспериментальная тиреоидологияClinical and experimental thyroidology1995-54722310-3787Endocrinology Research Centre10.14341/ket12724ketendo-12724Research ArticleОригинальные исследованияOriginal StudiesСтратификация узловых образований щитовидной железы по категориям Eu-TIRADS с использованием трансферного обучения свёрточных нейронных сетейStratification of thyroid nodules by Eu-TIRADS categories using transfer learning of convolutional neural networkshttps://orcid.org/0000-0003-4278-3077ФартушныйЭ. Н.FartushnyiE. N.

Фартушный Эдуард Николаевич - доцент кафедры эндокринологии № 1; eLibrary SPIN: 9763-4896.

Москва

Eduard N. Fartushnyi; eLibrary SPIN: 9763-4896

Moscow

fartushnyy_e_n@staff.sechenov.ruhttps://orcid.org/0000-0002-7000-0095СычЮ. П.SytchYu. P.

Сыч Юлия Петровна - кандидат медицинских наук; eLibrary SPIN: 3406-0978.

119991, Москва, ул. Трубецкая, д. 8, стр. 2

Yulia P. Sytch - MD, PhD; eLibrary SPIN: 3406-0978.

8-2 Trubetskaya str., Moscow 119991

juliasytch@mail.ruhttps://orcid.org/0000-0002-5563-9026ФартушныйИ. Э.FartushnyiI. E.

Фартушный Игорь Эдуардович

Москва

Igor E. Fartushnyi

Moscow

igorfartushnyywork@mail.ruhttps://orcid.org/0000-0001-7309-2215КошечкинК. А.KoshechkinK. A.

Кошечкин Константин Александрович - доктор фармацевтических наук, доцент кафедры информационных и интернет-технологий; eLibrary SPIN: 1709-1219.

Москва

Konstantin A. Koshechkin - PhD; eLibrary SPIN: 1709-1219.

Moscow

koshechkin_k_a@staff.sechenov.ruhttps://orcid.org/0000-0002-4289-2102ЛебедевГ. С.LebedevG. S.

Лебедев Георгий Станиславович - директор Института цифровой медицины, доктор технических наук, заведующий кафедрой информационных и интернет-технологий в медицине; eLibrary SPIN: 2297-6877.

Москва

Georgy S. Lebedev - PhD; eLibrary SPIN: 2297-6877.

Moscow

lebedev_g_s@staff.sechenov.ruПервый МГМУ им. И.М. Сеченова (Сеченовский Университет)РоссияI.M. Sechenov First Moscow State Medical UniversityRussian Federation2022241220221821726Copyright © Фартушный Э.Н., Сыч Ю.П., Фартушный И.Э., Кошечкин К.А., Лебедев Г.С., 20222022Фартушный Э.Н., Сыч Ю.П., Фартушный И.Э., Кошечкин К.А., Лебедев Г.С.Fartushnyi E.N., Sytch Y.P., Fartushnyi I.E., Koshechkin K.A., Lebedev G.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.cet-endojournals.ru/jour/article/view/12724

В статье описан метод оценки потенциала злокачественности узловых образований щитовидной железы и их стратификации по шкале European Thyroid Imaging And Reporting Data System — Европейской системы описания и оценки образований щитовидной железы (Eu-TIRADS) по данным изображений ультразвуковой диагностики c использованием системы искусственного интеллекта. Метод основан на применении технологии трансферного обучения многопараметрических моделей сверточных нейронных сетей и последующей их тонкой настройки. Показано, что даже на основании небольшого набора данных, состоящего из 1129 ультразвуковых изображений узловых образований щитовидной железы, классифицированных по 5 категориям Eu-TIRADS, применение метода обеспечивает высокие показатели точности обучения (Accuracy: 0.8, AUC: 0.92). Это позволяет внедрить и использовать данную технологию в клинической практике как дополнительное средство («второе мнение») объективной оценки риска злокачественности в узлах щитовидной железы с целью дальнейшего их отбора для тонкоигольной биопсии.

The article describes a method for assessing the malignancy potential of thyroid nodules and their stratification according to the European Thyroid Imaging And Reporting Data System (Eu-TIRADS) scale based on ultrasound diagnostic images using an artificial intelligence system. The method is based on the use of transfer learning technology for multi-parameter models of convolutional neural networks and their subsequent fine tuning. It was shown that even on a small dataset consisting of 1129 thyroid ultrasound images classified by 5 Eu-TIRADS categories, the application of the method provides high training accuracy (Accuracy: 0.8, AUC: 0.92). This makes it possible to introduce and use this technology in clinical practice as an additional tool (‘second opinion’) for an objective assessment of the risk of malignancy in thyroid nodules for the purpose of their further selection for fine needle biopsy.

щитовидная железаультразвуковая диагностикамашинное обучениеглубокое обучениенейронная сетьthyroid glandultrasound diagnosticsmachine learningdeep learningneural networkReferencesЧерников Р.А., Воробьев С.Л., Слепцов И.В., и др. Узловой зоб (эпидемиология, методы выявления, диагностическая тактика) // Клиническая и экспериментальная тиреоидология. — 2013. — Т. 9. — №2. — С. 29-35. doi: https://doi.org/10.14341/ket20139229-35Chernikov RA, Vorobjov SL, Slepzov IV, et al. Nodular goiter (epidemiology and diagnostics). Clinical and experimental thyroidology. 2013;9(2):29-35. (In Russ.). doi: https://doi.org/10.14341/ket20139229-35Russ G, Bonnema SJ, Erdogan MF, et al. European Thyroid Association guidelines for ultrasound malignancy risk stratification of thyroid nodules in adults: The EU-TIRADS. Eur Thyroid J. 2017;6(5):225-237. doi: https://doi.org/10.1159/000478927Russ G, Bonnema SJ, Erdogan MF, et al. European Thyroid Association guidelines for ultrasound malignancy risk stratification of thyroid nodules in adults: The EU-TIRADS. Eur Thyroid J. 2017;6(5):225-237. doi: https://doi.org/10.1159/000478927Sych YP, Fadeev VV, Fisenko EP, Kalashnikova M. Reproducibility and interobserver agreement of different Thyroid Imaging and Reporting Data Systems (TIRADS). Eur Thyroid J. 2021;10(2):161-167. doi: https://doi.org/10.1159/000508959Sych YP, Fadeev VV, Fisenko EP, Kalashnikova M. Reproducibility and interobserver agreement of different Thyroid Imaging and Reporting Data Systems (TIRADS). Eur Thyroid J. 2021;10(2):161-167. doi: https://doi.org/10.1159/000508959Tran B, Vu G, Ha G, et al. Global evolution of research in artificial intelligence in health and medicine: A bibliometric study. J Clin Med. 2019;8(3):360. doi: https://doi.org/10.3390/jcm8030360Tran B, Vu G, Ha G, et al. Global evolution of research in artificial intelligence in health and medicine: A bibliometric study. J Clin Med. 2019;8(3):360. doi: https://doi.org/10.3390/jcm8030360Song J, Chai YJ, Masuoka H, et al. Ultrasound image analysis using deep learning algorithm for the diagnosis of thyroid nodules. Medicine (Baltimore). 2019;98(15):e15133. doi: https://doi.org/10.1097/MD.0000000000015133Song J, Chai YJ, Masuoka H, et al. Ultrasound image analysis using deep learning algorithm for the diagnosis of thyroid nodules. Medicine (Baltimore). 2019;98(15):e15133. doi: https://doi.org/10.1097/MD.0000000000015133Платформа машинного обучения TensorFlow [Интернет]. Доступно по: https://www.tensorflow.org/Platforma mashinnogo obuchenija TensorFlow (In Russ.). Доступно по: https://www.tensorflow.org/

The authors declare that there are no conflicts of interest present.