Ultraljudsstor modell inom tyreoideafältet: En multicentrisk studie om medicinteknisk integration

Syftet med denna observationsstudie är att utvärdera den diagnostiska noggrannheten och integrationen i det kliniska arbetsflödet av en ultraljudsintelligent agent (UIA) för hantering av sköldkörtelsjukdomar i en verklig världs multikenter-miljö. Den primära forskningsfrågan är:

Kan UIA förbättra diagnostisk konsistens och effektivitet för sköldkörtelknutor (TI-RADS 1-5), Hashimotos tyreoidit och cervikal lymfkörtelmetastas jämfört med traditionell ultraljudstolkning? Deltagarna kommer att inkludera vuxna (18-80 år) som genomgår sköldkörtelultraljud vid 16 deltagande sjukhus över hela Kina. Viktiga inklusionskriterier täcker patienter med misstänkta sköldkörtelrubbningar som kräver bildtagning, medan exklusionskriterier adresserar dålig bildkvalitet eller samtidiga kliniska prövningar. Över 2 000 fall (50 % sköldkörtelknutor, 30 % diffusa lesioner, 12,5 % icke-nodulära abnormaliteter, 7,5 % specialpopulationer) kommer att prospektivt rekryteras. Datainsamlingen integrerar statiska/dynamiska ultraljudsbilder, laboratorieresultat och AI-genererade rapporter. Primära slutpunkter inkluderar modellprestandamått (AUC, sensitivitet/specificitet, TI-RADS Kappa ≥0,8), arbetsflödeseffektivitet (rapportgenereringstid ≤5 minuter) och pediatriska/graviditetsspecifika referensstandarder. Sekundära analyser kommer att bedöma interbedömarsamstämmighet (Cohens Kappa) och longitudinella utfall via 6-12 månaders uppföljning. Denna studie syftar till att etablera evidensbaserade riktlinjer för AI-förstärkt sköldkörtelsdiagnostik, särskilt i underbetjänade regioner, samtidigt som den adresserar luckor i nuvarande AI-valideringsramverk relaterade till multi-modalitetsdatafusion och specialpopulationers anpassningsbarhet.