甲状腺结节TI-RADS分类的多目标分类头任务深度学习模型评估报告

摘要

本研究开发了一个基于ResNet50架构的多任务深度学习模型，用于甲状腺结节的TI-RADS分类。模型同时预测五个关键特征(成分、回声、形状、边缘和强回声灶)并计算最终的TI-RADS等级。在独立测试集上评估显示，模型在TI-RADS等级预测上的总体准确率为58%，各特征预测准确率在95%到99%之间。特别值得注意的是，当假设成分和强回声灶预测正确时，总分差异在±1分内的准确率达到95%，表明模型具有临床应用潜力。

---

1. 引言

甲状腺结节超声诊断依赖于TI-RADS(Thyroid Imaging Reporting and Data System)分类标准，该系统基于五个关键特征对结节恶性风险进行分层。传统的人工评估存在主观性强、一致性差的问题。本研究旨在开发一个自动化深度学习系统，实现甲状腺结节超声图像的标准化评估。

---

2. 方法

2.1 数据集

研究使用了包含192例甲状腺结节超声图像的数据集，每例图像包含：

• 原始超声图像(JPEG格式)

• 结节分割掩模(PNG格式)

• 专家标注的TI-RADS特征标签(CSV格式)