新兴研究表明，采用深度学习算法可能有助于区分儿童和年轻人的超声检查中的恶性和良性甲状腺结节。

在最近发表在《美国放射学杂志》上的一项回顾性研究中，研究人员回顾了 139 名 21 岁或以下在超声检查中发现甲状腺结节的患者的数据。鉴于区分恶性和良性甲状腺结节的敏感性和特异性，研究作者随后将独立放射科医师的评估与美国放射学会甲状腺成像报告和数据系统 (TI-RADS) 以及先前开发的深度学习算法的使用进行了比较。

与放射科医生的独立印象的平均 58.3% 的敏感性相比，研究作者指出深度学习算法的敏感性为 87.5%，使用 TI-RADS 分类的敏感性为 85.1%。

Maciej Mazurowski 写道：“鉴于深度学习算法相对较高的灵敏度，该算法可能有助于识别潜在的恶性结节，以便在目前仅依赖放射科医生的整体印象而不使用 ACR TI-RADS 的机构进行进一步的放射科医生评估。” ，博士，杜克大学副教授，杜克大学放射学人工智能中心科学主任，及其同事。

然而，研究人员确实注意到，深度学习算法的特异性(36.1%)明显低于使用 TI-RADS 分类(平均值为 50.6%)和放射科医生的整体独立印象(平均值为 79.9%)。Mazurowski 及其同事强调，鉴于这些发现，在将深度学习模型用于该患者群体之前，有必要在一组患有甲状腺结节的儿童中进一步训练深度学习系统并随后对其进行验证。

也就是说，该研究的作者指出了深度学习模型的潜力，该模型可以在没有经过专门儿科培训的医生的环境中为儿科甲状腺结节评估提供更客观、可重复的方法。

Mazurowski 及其同事还指出，诊断甲状腺结节的敏感性在儿科人群中尤为重要。

“在成人中，鉴于希望限制不必要的活检，甲状腺结节诊断评估的高特异性很重要。然而，在儿童中，较小或侵袭性较低的甲状腺癌具有较长的生长和/或转移期。因此，在儿童中，高灵敏度是一个优先事项，”Mazurowski 及其同事坚持说。

关于研究限制，作者承认深度学习算法是用成人甲状腺结节图像训练的。研究人员指出，审查放射科医生只被要求提供他们对甲状腺结节是恶性还是良性的印象，并且在诊断不确定的情况下不包括任何可能的细针穿刺 (FNA) 建议。Mazurowski 及其同事承认，放射科医生的印象以及深度学习算法评估是基于每个结节的两个静态灰度图像。研究作者表示，40.3% 的高恶性率可能受到三级医疗机构研究环境中的选择偏倚和潜在转诊基础的影响。