在临床实践中，超声（US）可检测出普通人群中约 65% 的甲状腺结节，但其中仅约 9.2% - 14.8% 为恶性。因此，高结节检出率可能导致过度诊断和过度治疗。尽管美国放射学会（ACR）发布了甲状腺影像报告和数据系统（ACR TI - RADS）以提高超声诊断准确性，但放射科医生的解读存在观察者间一致性较低的问题，且超声诊断仍高度依赖操作者。

美国癌症联合委员会（AJCC）分期系统在分化型甲状腺癌（DTC）的分期中，专门纳入了患者癌症诊断时的年龄因素。第 8 版 AJCC 将 DTC 的年龄分界值从 45 岁提高到了 55 岁，这表明年龄是甲状腺肿瘤预后的重要危险因素。甲状腺恶性肿瘤中约 95% 为 DTC（乳头状或滤泡状甲状腺癌），然而，目前缺乏关于年龄因素在 DTC 诊断过程中影响的研究。由于 ACR TI - RADS 等评分系统未纳入年龄因素，放射科医生在诊断时常常忽视这一点。

随着人工智能（AI）的快速发展，人们将 AI 应用于医学图像处理，并开启了影像组学的研究。如今，AI 已广泛用于辅助临床诊断，包括甲状腺疾病，且展现出出色的诊断性能。深度学习（DL）模型，尤其是密集卷积网络（DenseNet），在各类医学影像任务中表现良好。DenseNet 采用密集连接等策略，使模型能有效突出肿瘤区域内复杂的纹理细节。然而，现有研究尚未充分探究年龄分层对甲状腺结节辅助诊断 AI 模型准确性的影响。因此，迫切需要一些相对客观、便捷的辅助诊断工具，帮助放射科医生提高诊断准确性，减少不必要的活检和治疗。

最近，发表在European Radiology 上的一篇文章开发并评估了一种年龄分层的深度学习（DL）模型（年龄分层多模态分类网络，ASMCNet），用于甲状腺结节分类，并评估了其辅助放射科医生诊断的潜力。

在这项回顾性研究中，我们使用了来自三家医院的超声图像，共 10391 张图像，来自 5934 名患者，用于训练、验证和测试。在测试数据集上，采用 DeLong 方法，将 ASMCNet 的性能与不同经验水平、未进行年龄分层训练的模型辅助下的放射科医生的诊断性能进行比较。

ASMCNet 的受试者工作特征曲线下面积（AUROC）、灵敏度和特异度分别为 0.906、86.1% 和 85.1%，超过了未进行年龄分层训练的模型（分别为 0.867、83.2% 和 75.5%；p < 0.001），且高于所有放射科医生的诊断性能（p < 0.001）。阅片者研究表明，在解释性热图的辅助下，放射科医生的诊断性能得到提升（p < 0.001）。

图 基于DL方法的诊断性能。a对比实验中不同方法的ROC曲线。b消融实验中不同方法的ROC曲线。c外部测试集的ROC曲线

研究表明，基于深度学习的年龄分层能够进一步提升甲状腺肿瘤分类模型的性能，这也表明年龄是甲状腺肿瘤诊断中的一个重要因素。ASMCNet 模型展现出良好的临床适用性，能够辅助放射科医生提高诊断准确性。

原文出处：

Weijie Zou,Yahan Zhou,Jincao Yao,et al.Age-stratified deep learning model for thyroid tumor classification: a multicenter diagnostic study.DOI:10.1007/s00330-025-11386-7