《表1 AI在超声鉴别良恶性甲状腺结节中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《人工智能在甲状腺癌精准化诊疗中的研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Fused CNNs：融合的卷积神经网络；MC-CNN：多任务级联卷积神经网络；DCNN：深度卷积神经网络；NN：神经网络；1-NN:1-最近邻算法；FFT：快速傅里叶变换；AIBx：图像相似算法的AI模型；*：训练集/（验证集）

多项研究对不同输入量下ANN模型的分类性能进行了探讨。Choi等[17]以钙化灶的数量、距离比、最大密度和偏斜度4个不同特征及其组合作为输入量；Ardakani等[18]从270个统计纹理特征中选出10个最有效的特征输入；Nguyen等[19]联合空间和频率方面特征进行分类；上述研究准确率分别为82.80%、97.14%和90.88%。从验证过程看，Liu等[15]构建了以临床知识为向导的卷积神经网络（clinica-knowledgeguided convolutional neural networks，CKG-CNN），该模型在结节不同大小、边缘、形态、纵横比、囊实性和有无钙化等不同群组中诊断的准确性均高于超声医师。Thomas等[16]以输出具有相似特征的图像辅助诊断，而非直接得出良恶性结论。上述研究的主要特点见表1。