เปรียบเทียบความแม่นยำของระบบการรายงานผลอัลตราซาวด์ ACR-TIRADS และ S-detect เพื่อวินิจฉัยก้อนไทรอยด์ที่มีความเสี่ยงเป็นมะเร็งไทรอยด์
Article Sidebar
Main Article Content
บทคัดย่อ
หลักการและเหตุผล: ปัจจุบันอัลตราซาวด์ถูกนำมาใช้กันอย่างแพร่หลายในการตรวจหาและช่วยในการวินิจฉัยของก้อนไทรอยด์ในเวชปฏิบัติ ในขณะเดียวกันปัญญาประดิษฐ์ (AI) ถูกพัฒนาและนำมาใช้กันอย่างแพร่หลาย เพื่อช่วยเพิ่มความแม่นยำและลดภาระงานของรังสีแพทย์ ในการแยกความแตกต่างระหว่างก้อนไทรอยด์ที่เป็นเนื้องอกธรรมดาและมะเร็งไทรอยด์
วัตถุประสงค์: การศึกษานี้มีจุดมุ่งหมายเพื่อศึกษาการรายงานผลอัลตราซาวด์ไทรอยด์ตาม ACR-TIRADS ในการพยากรณ์โรคมะเร็งไทรอยด์ของผู้ป่วยในโรงพยาบาลบุรีรัมย์ เปรียบเทียบกับปัญญาประดิษฐ์ S-Detect
วิธีการศึกษา: ระหว่างเดือนพฤษภาคม พ.ศ. 2567 – ตุลาคม พ.ศ. 2567 เก็บข้อมูลผู้ป่วย 52 รายที่มีก้อนต่อมไทรอยด์ 138 ก้อน ผู้ป่วยทุกรายก่อนการผ่าตัดหรือก่อนใช้เข็มเจาะดูดเซลล์ไปตรวจ (Fine needle aspiration) ในโรงพยาบาลบุรีรัมย์ จะได้รับการตรวจอัลตราซาวด์และประเมินความเสี่ยงของการเป็นมะเร็งไทรอยด์ตาม ACR-TIRADS (TR1-TR5) ซึ่งทุกรายจะมีการใช้ปัญญาประดิษฐ์ S-Detect ในการวินิจฉัยก้อนไทรอยด์ในคราวเดียวกัน และนำไปเปรียบเทียบกับผลตรวจทางพยาธิวิทยา หรือ cytopathology เป็น gold standard
ผลการศึกษา: การศึกษานี้มีกลุ่มตัวอย่างผู้ป่วยทั้งหมด 52 ราย (แบ่งเป็น ผู้ป่วยชาย 5 ราย ผู้ป่วยหญิง 47 ราย) ก้อนไทรอยด์ 138 ก้อน แบ่งเป็นก้อนเนื้องอกธรรมดา 114 ก้อน และก้อนมะเร็ง 24 ก้อน ลักษณะจากการตรวจอัลตราซาวด์ของก้อนไทรอยด์ซึ่งมีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติของมะเร็งไทรอยด์ ได้แก่ ก้อนที่มีลักษณะเสียงสะท้อน very hypoechoic รูปร่าง taller than wide ขอบเขตของก้อนแบบ irregular หรือขนาดของก้อนขยายออกไปนอกต่อมไทรอยด์ มีหินปูนขนาดเล็กภายในก้อน และพบต่อมน้ำเหลืองโตบริเวณคอ ความไวของการรายงานผลก้อนไทรอยด์ตาม ACR-TIRADS มีความไวสูงกว่า S-Detect (ร้อยละ 87.5 เทียบกับ ร้อยละ 33.3) แต่ในขณะเดียวกัน S-Detect มีความจำเพาะสูงกว่า (ร้อยละ 64.9 เทียบกับ ร้อยละ 95.6) ค่าที่สูงกว่า (ร้อยละ 22.1 เทียบกับ ร้อยละ 61.5) และ ค่าทำนายผลลบที่สูงกว่า ACR-TIRADS (ร้อยละ 7.0 เทียบกับ ร้อยละ 87.2) รวมถึงความแม่นยำที่สูงกว่าด้วย (ร้อยละ 44.2 เทียบกับ ร้อยละ 84.8)
สรุป: การอัลตราซาวด์โดยรายงานผลตาม ACR-TIRADS เป็นเครื่องมือที่ดีในการประเมินความเสี่ยงของมะเร็งต่อมไทรอยด์ ในขณะที่ S-detect ก็มีความจำเพาะและความแม่นยำค่อนข้างสูงในการช่วยวินิจฉัยก้อนไทรอยด์ แต่ก็ยังไม่สามารถทดแทนการตรวจอัลตราซาวด์ของรังสีแพทย์ได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Dean DS, Gharib H. Epidemiology of thyroid nodules. Best Pract Res Clin Endocrinol Metab 2008;22(6):901-11. doi: 10.1016/j.beem.2008.09.019.
Kobaly K, Kim CS, Mandel SJ. Contemporary Management of Thyroid Nodules. Annu Rev Med 2022;73:517-28. doi: 10.1146/annurev-med-042220-015032
Wong R, Farrell SG, Grossmann M. Thyroid nodules: diagnosis and management. Med J Aust 2018;209(2):92-8. doi: 10.5694/mja17.01204.
Guth S, Theune U, Aberle J, Galach A, Bamberger CM. Very high prevalence of thyroid nodules detected by high frequency (13 MHz) ultrasound examination. Eur J Clin Invest 2009;39(8):699-706. doi: 10.1111/j.1365-2362.2009.02162.x.
Grani G, Sponziello M, Pecce V, Ramundo V, Durante C. Contemporary Thyroid Nodule Evaluation and Management. J Clin Endocrinol Metab 2020;105(9):2869-83. doi: 10.1210/clinem/dgaa322.
Levine RA. History of Thyroid Ultrasound. Thyroid 2023;33(8):894-902. doi: 10.1089/thy.2022.0346.
Tessler FN, Middleton WD, Grant EG, Hoang JK, Berland LL, Teefey SA, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J Am Coll Radiol 2017;14(5):587-95. doi: 10.1016/j.jacr.2017.01.046.
Cong P, Wang XM, Zhang YF. Comparison of artificial intelligence, elastic imaging, and the thyroid imaging reporting and data system in the differential diagnosis of suspicious nodules. Quant Imaging Med Surg 2024;14(1):711-21. doi: 10.21037/qims-23-788.
Choi YJ, Baek JH, Park HS, Shim WH, Kim TY, Shong YK, et al. A Computer-Aided Diagnosis System Using Artificial Intelligence for the Diagnosis and Characterization of Thyroid Nodules on Ultrasound: Initial Clinical Assessment. Thyroid 2017r;27(4):546-52. doi: 10.1089/thy.2016.0372.
Zhang D, Jiang F, Yin R, Wu GG, Wei Q, Cui XW, et al. A Review of the Role of the S-Detect Computer-Aided Diagnostic Ultrasound System in the Evaluation of Benign and Malignant Breast and Thyroid Masses. Med Sci Monit 2021;27:e931957. doi: 10.12659/MSM.931957.
Chen Y, Gao Z, He Y, Mai W, Li J, Zhou M, et al. An Artificial Intelligence Model Based on ACR TI-RADS Characteristics for US Diagnosis of Thyroid Nodules. Radiology 2022;303(3):613-9. doi: 10.1148/radiol.211455.
Ali SZ, Baloch ZW, Cochand-Priollet B, Schmitt FC, Vielh P, VanderLaan PA. The 2023 Bethesda System for Reporting Thyroid Cytopathology. Thyroid 2023;33(9):1039-44. doi: 10.1089/thy.2023.0141.
Wongwattana P, Pattarapongsant P, Liangsupong S, Sukontha S, Khumsan S, Yimpornpipathpon I. Diagnostic performance of ultrasonography with ACR TI-RADS in thyroid mass in HRH Princess Maha Chakri Sirindhorn Medical Center. J Med Health Sci 2021;28(3):90-102. [in Thai].
Harmontree S. Accuracy of ACR-TIRADS in assessment and diagnosis of thyroid nodule in Sena Hospital, Ayutthaya province. J Med & Public Health, UBU 2021;4(1):28-39. [in Thai].
Tribumrungsuk P, Bunnag P, Yeekian C, Sarsitthithum K. The Diagnostic Accuracy of American College of Radiology Thyroid Imaging, Reporting and Data System (ACR TI-RADS) Ultrasound Classification for Diagnosing Thyroid Carcinoma in Thai Population. JDMS 2023;48(3):30-7.
Chainamnan W. Accuracy of ACR-TIRADS in assessment and diagnosis of thyroid nodules in patients underwent thyroid surgery in Taksin Hospital. Chula Med J 2023;67(3):193-201. doi: 10.14456/clmj.2023.25.
Akkus Z, Cai J, Boonrod A, Zeinoddini A, Weston AD, Philbrick KA, et al. A Survey of Deep-Learning Applications in Ultrasound: Artificial Intelligence-Powered Ultrasound for Improving Clinical Workflow. J Am Coll Radiol 2019;16(9 Pt B):1318-28. doi: 10.1016/j.jacr.2019.06.004.
Zhong L, Wang C. Diagnostic accuracy of S-Detect in distinguishing benign and malignant thyroid nodules: A meta-analysis. PLoS One 2022;17(8):e0272149.doi: 10.1371/journal.pone.0272149.
Barczyński M, Stopa-Barczyńska M, Wojtczak B, Czarniecka A, Konturek A. Clinical validation of S-DetectTM mode in semi-automated ultrasound classification of thyroid lesions in surgical office. Gland Surg 2020;9(Suppl 2):S77-S85. doi: 10.21037/gs.2019.12.23.
Wei Q, Zeng SE, Wang LP, Yan YJ, Wang T, Xu JW, et al. The value of S-Detect in improving the diagnostic performance of radiologists for the differential diagnosis of thyroid nodules. Med Ultrason 2020;22(4):415-23. doi: 10.11152/mu-2501.
Li Y, Liu Y, Xiao J, Yan L, Yang Z, Li X, et al. Clinical value of artificial intelligence in thyroid ultrasound: a prospective study from the real world. Eur Radiol 2023;33(7):4513-23. doi: 10.1007/s00330-022-09378-y.
