Искусственный интеллект при узлах и раке щитовидной железы: клиническая валидация и результаты применения в реальной практике

Узлы щитовидной железы выявляются у значительной доли взрослых, которым выполняют ультразвуковое исследование высокого разрешения, однако лишь у небольшой части пациентов обнаруживается клинически значимый рак. Поэтому клиническая задача заключается не только в выявлении рака, но и в точной стратификации риска: необходимо не допускать задержки диагностики агрессивного заболевания и одновременно ограничивать число ненужных биопсий, молекулярных исследований и диагностических операций. Искусственный интеллект (ИИ) быстро прошёл путь от экспериментальной классификации изображений до клинически внедрённых систем поддержки принятия решений. В этом обзоре, подготовленном по приглашению редакции, обобщены современные данные о применении ИИ для обследования и лечения узлов щитовидной железы и дифференцированного рака щитовидной железы с акцентом на компьютерную диагностику на основе ультразвуковых изображений, неопределённую цитологию, интеграцию молекулярных данных, цитопатологию и гистопатологию, оценку лимфатических узлов, контроль качества заключений, динамическое наблюдение и новые мультимодальные большие языковые модели. Коммерческие и близкие к коммерческому применению системы, включая S-Detect, AmCAD-UT, Koios DS Thyroid, AIBx и более новые системы глубокого обучения, показывают, что ИИ способен повысить согласованность оценок, помогать менее опытным специалистам и в отдельных ситуациях уменьшать число малоинформативных тонкоигольных аспирационных биопсий без неприемлемого снижения чувствительности. Особенно важная перспективная роль ИИ может заключаться в снижении интенсивности диагностической тактики: оценка доброкачественности по данным визуализации может поддерживать выбор динамического наблюдения при согласованно низком риске по клиническим, ультразвуковым, цитологическим и молекулярным признакам. Однако результаты зависят от состава выборки, распространённости рака, модели ультразвукового аппарата, опыта специалиста, географических особенностей когорты, референсного стандарта и того, используется ли модель как самостоятельный классификатор или как инструмент второго чтения. Наиболее убедительные данные подтверждают применение ИИ как дополнения к стандартизированной ультразвуковой стратификации риска и совместному принятию решений, а не как замены экспертной клинической оценки. Дальнейший прогресс будет зависеть от проспективной многоцентровой валидации, прозрачного представления результатов, локальной калибровки, продуманной интеграции в рабочие процессы, регулирования, пострегистрационного мониторинга и оценки исходов, значимых для пациентов.