Ez a tanulmány egy új Sound Blade ultrahangot tesztel pajzsmirigy vizsgálatokhoz. Összehasonlítja a képeit a rendszeres kórházi ultrahangokkal, hogy megtudja, melyik világosabb. A képek segítenek majd jövőbeli mesterséges intelligencia eszközök fejlesztésében az ellátás javítása érdekében. (THYMAL 01)

Egyedi célra tervezett pajzsmirigy-UH platformunk, amely legmodernebb gépi tanulási algoritmusokkal van integrálva, pontos észlelést és meghatározást ér el a pajzsmirigy-csomók és a szomszédos kritikus struktúrák esetében, valamint nyomon követhető háromdimenziós csomómodellt hoz létre, amely képes irányítani a minimálisan invazív ablációt, miközben valós idejű térfogati kvantifikációt nyújt a kezelés előrehaladásáról és a maradék betegségről.

TANULMÁNYTERV Ez a tanulmány két részből fog állni. A rész – Prospektív pajzsmirigy-képalkotási tanulmány Prospektív, párosított képalkotási tanulmányt (n=30) fogunk végezni annak meghatározására, hogy a vizsgálati UH-eszköz eredményeket/képességet szerez-e a pajzsmirigy-csomók és kulcsfontosságú struktúrák (közös nyaki artéria, belső nyaki véna, légcső, bolygóideg, visszatérő gégeideg és mellékpajzsmirigyek) észlelésére, amelyek összehasonlíthatók a szokásos ellátás (SOC) UH-eszközzel.

B rész – Gépi tanulási modellfejlesztés A vizsgálati eszközről szerzett UH-képeket és filmvideókat, valamint az A részben szereplő radiológus-jegyzeteket felhasználjuk egy ML-modell betanítására és belső tesztelésére a csomók és kritikus struktúrák szegmentálására. Külső validáció céljából az ML-modellt anonimizált pajzsmirigy-UH-vizsgálatokra alkalmazzuk, amelyeket a szokásos ellátás (SOC) UH-én szerezték és retrospektíven kértek le a tartományi PACS-ből (n≈30). Pontosságot és precizitást értékelünk a műszaki érvényesség és az általánosíthatóság megállapítása érdekében. Az ML-kimenetek kizárólag kutatási célokat szolgálnak; semmilyen klinikai döntés nem fog rájuk alapozni.