Ultralyd-storskalamodell innenfor tyreoideområdet: En multisentersstudie om medisinsk-teknisk integrasjon

Målet med denne observasjonsstudien er å evaluere diagnostisk nøyaktighet og klinisk arbeidsflyt-integrasjon av en ultralyd intelligent agent (UIA) for skjoldbruskkjertelsykdomsbehandling i en virkelig multikenter-setting.
Det primære forskningsspørsmålet er:

Kan UIA forbedre diagnostisk konsistens og effektivitet for skjoldbruskkjertelknuter (TI-RADS 1-5), Hashimotos thyreoiditt, og cervikale lymfeknutemetastaser sammenlignet med tradisjonell ultralyd-tolkning?
Deltakere vil inkludere voksne (18-80 år) som gjennomgår skjoldbruskkjertelultralyd ved 16 deltakende sykehus over hele Kina.
Viktige inklusjonskriterier dekker pasienter med mistenkte skjoldbruskkjertellidelser som krever bildebehandling, mens eksklusjonskriterier omhandler dårlig bildekvalitet eller samtidige kliniske studier.
Over 2000 tilfeller (50 % skjoldbruskkjertelknuter, 30 % diffuse lesjoner, 12,5 % ikke-knuteformede abnormaliteter, 7,5 % spesielle populasjoner) vil bli prospektivt inkludert.
Datainnsamling integrerer statiske/dynamiske ultralydbilder, laboratorieresultater, og AI-genererte rapporter.
Primære endepunkter inkluderer modellytelsesmetrikker (AUC, sensitivitet/spesifisitet, TI-RADS Kappa ≥0,8), arbeidsflyteffektivitet (rapportgenereringstid ≤5 minutter), og pediatriske/graviditetsspesifikke referansestandarder.
Sekundære analyser vil vurdere inter-rater reliabilitet (Cohen's Kappa) og longitudinale utfall via 6-12 måneders oppfølging.
Denne studien tar sikte på å etablere evidensbaserte retningslinjer for AI-forbedret skjoldbruskkjerteldiagnostikk, spesielt i underbetjente regioner, samtidig som den adresserer hull i nåværende AI-valideringsrammeverk relatert til multi-modalitets datafusjon og spesielle populasjoners tilpasningsevne.