甲状腺结节的超声检查(US)通常很耗时，并且观察者之间可能不一致，活检中恶性肿瘤的阳性率较低。即使在确定超声甲状腺成像报告和数据系统(Thyroid Imaging Reporting and Data System, TIRADS)阶段后，仍需要细针穿刺活检(FNAB)以获得明确的诊断。尽管在医学领域开发了各种深度学习方法，但它们往往使用TIRADS报告作为图像标签进行训练。
本研究为每个病例提供了一个带有病理诊断注释的大型US数据集，旨在开发深度学习算法，以直接从甲状腺超声图像中推断组织学状态。该数据集收集自两个回顾性队列，包括842例病例的8508张US图像。此外，还解释了三个深度学习模型，这些模型用作使用该数据集的验证示例。
甲状腺图像实例
本研究中提出的深度学习框架
文章链接
https://github.com/TomHardy1997/ThyUS2Path
欢迎投稿最新科研成果，对于具有创新性和转化价值的研究成果，我们期待以访谈形式报道。
本公众号免费为科研机构及课题组发布招聘信息，请添加下方微信发送招聘文档。
欢迎添加下方微信备注研究方向加入超声交流群！
