Denna studie testar ett nytt Sound Blade-ultraljud för sköldkörtelundersökningar. Den jämför dess bilder med vanliga sjukhusultraljud för att se vilka som är tydligare. Bilderna kommer att hjälpa till att bygga framtida AI-verktyg för att förbättra vården. (THYMAL 01)

Vår specialbyggda ultraljudsplattform för sköldkörtel, integrerad med avancerade maskininlärningsalgoritmer, kommer att uppnå korrekt detektering och avgränsning av sköldkörtelknölar och närliggande kritiska strukturer, samt producera en spårbar tredimensionell knölmodell som kan vägleda minimalt invasiv ablation samtidigt som den ger realtidsvolymmätning av behandlingsframsteg och kvarvarande sjukdom.

STUDIEDESIGN Denna studie kommer att bestå av två delar. Del A - Prospektiv sköldkörtelbildstudie Vi kommer att genomföra en prospektiv, parade bildstudie (n=30) för att avgöra om studieultraljudsenheten uppnår resultat/förmåga att detektera sköldkörtelknölar och nyckelstrukturer (arteria carotis communis, vena jugularis interna, trachea, nervus vagus, nervus laryngeus recurrens och parathyroidea) som är jämförbara med standardultraljudsenheten (SOC).

Del B - Utveckling av maskininlärningsmodell Ultraljudsbilder och rörlig video från undersökningsenheten samt radiologanteckningar från del A kommer att användas för att träna och internt testa en ML-modell för knöl- och kritisk-struktursegmentering. För extern validering kommer ML-modellen att tillämpas på anonymiserade sköldkörtelultraljudsstudier som erhållits med standardultraljudsenheten (SOC) och hämtats retrospektivt från den regionala PACS (n≈30). Noggrannhet och precision kommer att utvärderas för att fastställa teknisk validitet och generaliserbarhet. ML-utdata är endast för forskning; inga kliniska beslut kommer att baseras på dem.