本研究发表于International Journal of Surgery，影响因子15.3分，以下是对本研究的解析：

滤泡型甲状腺癌(FTC)发病率较低，同时缺乏有效的术前诊断手段。为了减少对滤泡状肿瘤中诊断性手术的使用，并解决特征性病种的小样本量问题，我们利用可解释的前景优化网络深度学习技术来开发可靠的术前FTC鉴别系统。

本研究利用术前超声图像建立深度学习模型(FThyNet)。培训患者和内部验证队列(n=432)的数据来自上海交通大学医学院附属瑞金医院，外部验证队列(n=71)的患者数据来自中国的其他四个临床医学中心。我们评估了FThyNet的预测性能及其在多个外部中心的泛化能力，并将结果与医生直接预测FTC结果的评估进行了比较。此外，还评估了结节边缘周围纹理信息对预测结果的影响。

FThyNet预测FTC的精确度很高，受试者工作特征曲线下面积(AUC)为89.0% [95% CI 87.0-90.9]。特别针对广泛侵袭性FTC的AUC达到90.3%，显著高于影像医师的诊断精度(56.1% [95% CI 51.8-60.3])。通过对参数进行可视化研究发现，那些边缘模糊、周围纹理相对扭曲的结节与FTC的特征更为接近。此外我们发现，边缘纹理信息在FTC预测中发挥了重要作用，AUC为68.3% [95% CI 61.5-75.5])，并再广泛侵袭性FTC中具有最高的纹理复杂性。

FThyNet系统是国际上首个通过分析超声图像特征并有效鉴别FTC的人工智能诊断系统，其可有效预测FTC，并提供泛化性的医学解释，描绘了FTC的特征热图谱，提高临床对该疾病的认识，为FTC的临床诊疗提供了新的依据和参考。

甲状腺癌是头颈部最常见的恶性肿瘤，近年来我国甲状腺癌的发病率增长迅速，成为危害国民医疗健康的重要病种之一。甲状腺滤泡状肿瘤（FN）是一类高发病率的甲状腺肿瘤，因其特殊的病理特征导致其良恶性难以被有效鉴别。目前针对FN仍以诊断性手术的治疗策略为主，加重了此类患者的疾病负担和社会医疗负担。能够高效鉴别FN的良恶性一直是甲状腺外科及影像科医生努力的目标。

本研究利用课题组前期构建的多中心甲状腺生物样本及临床信息库，筛选出符合入组标准的全部FA患者纳入研究。针对我国甲状腺滤泡状癌（FTC）发病率较低的疾病特征，我们团队联合上海交通大学人工智能团队进行了特征性的人工智能算法构建。通过前景优化网络算法克服了小样本带来了潜在偏移，构建的FThyNet不仅在训练组中表现优异，在外部验证组中仍表现出良好的泛化性。更令人惊喜的是，我们团队进一步发现FThyNet系统对于高侵袭性FTC的诊断发现率极高，进一步说明该系统成功提取到了FTC与良性FN的关键性图像特征差异。基于此，我们团队进行可视化呈现及医学可解释性分析，对人工智能系统的生效原理进行医学机制的探索。进一步，本课题组还将对FThyNet的诊断效能进行高证据等级的验证，并通过分组研究提出FThyNet诊断体系应用于临床转化的最优模式，为FThyNet人工智能诊断体系的临床转化提供理论及实验依据。

本系统是国际上首个通过分析超声图像特征并有效鉴别FTC的人工智能诊断系统，其可有效预测FTC，并提供泛化性的医学解释，描绘了FTC的特征热图谱，提高临床对该疾病的认识，为FTC的临床诊疗提供了新的依据和参考。