近日，中国科学院合肥物质科学研究院健康所、中国科学院合肥肿瘤医院李海研究员团队在甲状腺癌智能超声诊疗研究领域取得新进展。团队围绕甲状腺乳头状癌（PTC）术前精准风险评估这一临床关键问题，持续开展多模态超声影像智能分析研究，构建了涵盖疾病筛查、风险分层、转移预测和临床辅助决策的智能超声诊疗技术系统。最新研究进一步融合可解释人工智能与医师人机协同评价方法，建立了中央区淋巴结转移（CLNM）术前预测模型，并验证了人工智能辅助系统在提升医生诊断能力方面的应用价值。相关成果发表于医学影像信息学领域期刊《Journal of Imaging Informatics in Medicine》。

甲状腺癌是目前最常见的内分泌恶性肿瘤，其中PTC占绝大多数。随着高分辨率超声技术的普及，甲状腺结节检出率不断提高，临床关注重点也逐渐由“发现结节”转向“精准判断风险”。虽然PTC总体预后较好，但部分患者存在中央区淋巴结隐匿性转移，其不仅影响TNM分期和手术方案制定，还与术后复发风险密切相关。然而，由于中央区淋巴结位置较深、解剖结构复杂，传统超声对于隐匿性转移的识别仍存在一定局限。因此，如何充分挖掘超声影像中蕴含的形态、纹理和组织力学信息，并转化为客观、可量化、可解释的临床决策依据，成为甲状腺癌精准诊疗领域的重要挑战。

围绕这一临床需求，李海研究员团队近年来持续推进甲状腺疾病智能超声研究，逐步形成从影像信息挖掘到临床辅助决策的系统化研究路径。团队首先针对甲状腺结节良恶性鉴别问题，探索融合二维超声与多模态弹性成像的影像组学方法，并结合SHAP技术提升模型解释能力（Sensors, 2024）；随后进一步聚焦高风险TI-RADS 4类结节，发展融合超声与弹性成像信息的深度学习模型，验证人工智能辅助诊断的临床价值（Computerized Medical Imaging and Graphics, 2025）。在此基础上，团队进一步将研究拓展至PTC术前CLNM风险预测（Ultrasound in Medicine & Biology, 2026），推动智能超声技术由疾病识别向精准风险评估和临床决策支持发展。

本次研究在前期多模态超声研究基础上，进一步构建了面向PTC术前CLNM风险评估的可解释AI辅助系统。研究纳入来自4家医院的428例PTC患者共508个结节，融合二维超声、应变弹性成像、剪切波弹性成像及临床信息建立多模态预测模型，在训练集、内部验证集和独立外部测试集中均表现出良好的预测能力（AUC分别为0.975、0.917和0.844）。通过SHAP解释技术，研究揭示了年龄、超声纹理异质性及弹性相关影像特征在CLNM风险判断中的重要作用，并进一步将模型输出转化为具有临床语义的信息，使人工智能预测结果由单一风险概率转变为可理解、可复核的辅助决策依据。进一步的人机协同实验显示，在AI辅助条件下，不同经验水平超声医师的诊断性能均得到提升，同时诊断信心、医师间一致性以及人机一致性均明显改善。研究表明，可解释AI能够作为医生诊疗过程中的智能辅助工具，通过提供透明的影像证据帮助优化临床判断，而非简单替代医生决策。

该研究进一步完善了中国科学院合肥肿瘤医院医学影像中心超声科在甲状腺智能超声方向形成的“多模态影像采集—智能特征挖掘—可解释模型构建—人机协同验证”技术体系，实现了从甲状腺结节筛查、恶性风险评估到淋巴结转移预测的连续推进，有望为PTC患者术前风险评估、手术方案制定和个体化管理提供更加透明、稳定和可推广的智能辅助工具。

可解释AI辅助多模态超声CLNM风险预测模型构建及临床验证流程图

该论文的第一作者为安徽大学2025级联培硕士研究生黄郑钦和中国科学技术大学2023级博士研究生王俊杰，通讯作者为李海研究员、王腾飞副研究员和安徽医科大学第一附属医院超声科陈永超主任。本研究得到了国家自然科学基金和安徽省重点研发项目的支持。

文章链接：https://doi.org/10.1007/s10278-026-02141-5

课题组甲状腺方向相关工作：

https://doi.org/10.3390/s24196203

https://doi.org/10.1016/j.compmedimag.2025.102576

https://doi.org/10.1016/j.ultrasmedbio.2026.04.024