Узлы щитовидной железы с атипией неопределенного значения (AUS) составляют 10-30% всех результатов тонкоигольной аспирационной биопсии (ТАБ) щитовидной железы, при этом риск малигнизации варьирует от 13% до 30%. В настоящее время отсутствует унифицированный протокол диагностики и лечения AUS.
Клиническая диагностика сталкивается с серьезными вызовами, включая неточную оценку риска малигнизации, низкую диагностическую согласованность среди цитопатологов и значительные различия в стратегиях лечения между различными центрами.
Традиционные клинические подходы к ведению включают повторную ТАБ, молекулярное тестирование, диагностическую хирургию и наблюдение. Однако каждый из этих методов имеет существенные ограничения:
- Повторная ТАБ все еще дает неопределенные результаты в ряде случаев
- Молекулярное тестирование ограничено низкой специфичностью и высокой стоимостью
- Диагностическая хирургия склонна к гипердиагностике и осложнениям
- Наблюдение может привести к пропущенным диагнозам
Диагностические и терапевтические дилеммы AUS-узлов могут происходить из неспособности существующих моделей эффективно интегрировать мультимодальные медицинские данные, включая клиническую, радиологическую, лабораторную и цитологическую информацию, при этом диагностические решения чрезмерно зависят от одного метода исследования.
Искусственный интеллект (ИИ) с его техническими преимуществами эффективного анализа и интеграции медицинских мультимодальных данных предлагает новое решение для точной дифференциации доброкачественных и злокачественных AUS-узлов и оптимизации клинических алгоритмов принятия решений.
Данный обзор систематически описывает, как применение ИИ в клинической диагностике и лечении стимулирует трансформацию традиционного клинического ведения AUS-узлов. Рассматриваются перспективы влияния ИИ на персонализированное прецизионное лечение таких узлов, а также будущие направления исследований в этой области.