AI為甲狀腺超音波判讀加上一把尺：醫師準確率在探索研究中升至84.5%

甲狀腺結節的超音波影像往往沒有截然分明的良惡性界線，細微的邊緣、回音與鈣化差異，卻可能影響病人接受追蹤、穿刺或進一步治療的路徑。一項發表於《Frontiers in Medicine》的研究顯示，把人工智慧放進這個判讀流程，或能協助醫師更一致地辨認高風險結節。

研究團隊以中國甲狀腺影像報告與資料系統C-TIRADS為骨架，建立先定位結節、再辨識超音波特徵的模型。系統不是直接吐出一個難以追溯的癌症答案，而是分析結節的組成、回音、形狀、邊緣及高回音灶，再依指引規則加總分數，形成良惡性風險類別。

模型開發使用三家醫院的資料：結節定位模組納入1,921張影像，特徵分類模組則使用6,469筆標註樣本。臨床驗證集與訓練病人在個案層級分開，共包含284名成人的303個結節；其中94個為良性、209個為惡性，判定依據是手術病理或符合特定Bethesda分類的細針穿刺細胞學結果。

在這批影像上，AI單獨判讀的整體準確率為86.2%。兩名接受過C-TIRADS訓練的超音波醫師在沒有AI時，準確率為70.5%；取得模型的特徵預測與風險分類後，準確率升至84.5%。惡性結節的召回率也從68.9%提高至81.9%，顯示改善並不只來自辨認良性病例。

不過，這14個百分點的差距不能直接視為已證實的臨床效益。兩名醫師先自行讀片，之後再看同一批影像並取得AI結果，而且事前已知模型表現，可能受到記憶與期待影響；研究也沒有充分盲化、隨機分派或預設洗脫期，最後僅以兩人共識形成判讀結果。

驗證集另有明顯的類別失衡：惡性結節約占69%，遠高於一般結節篩檢情境。研究只保留二元分類及彙總指標，未進行正式假設檢定，也無法評估ROC曲線、風險校準或臨床決策淨效益。因此，現有結果尚不能回答這套工具是否能減少不必要穿刺、避免漏診，或在不同醫院與設備上維持表現。

下一步需要較大型、多中心且前瞻性的多讀者研究，以盲化或平行讀片設計比較有無AI輔助，並納入更貼近日常門診的疾病比例。這項工作目前較適合被理解為一個具體的臨床決策支援訊號：AI可能幫醫師把C-TIRADS用得更一致，但它仍是風險分層工具，不能取代病理診斷。