A ecografia versus elastografia no estudo dos nódulos da tiroide

Abstract

Os nódulos da tiroide, embora se apresentem como lesões discretas, são uma patologia bastante comum na população mundial. A deteção precoce e atempada é de grande importância para a saúde dos pacientes, visto que tal proporcionará um acompanhamento médico permanente com o consequente controlo da evolução da patologia. Os nódulos da tiroide são frequentemente de origem benigna, no entanto, este tipo de patologias pode evoluir para condições graves, como é o caso do cancro da tiroide. Neste estudo, foram implementadas técnicas supervisionadas baseadas em algoritmos de inteligência artificial para analisar imagens médicas obtidas por ecografia e elastografia. O objetivo principal foi avaliar a capacidade de identificação e classificação de imagens quanto à presença de nódulos da tiroide. Tendo em vista o objetivo proposto, foram estudados e comparados dois métodos distintos com vista à extração de features e dos padrões mais importantes das imagens em questão. Inicialmente, foi implementado um algoritmo de machine learning e, posteriormente foi realizada uma abordagem baseada em deep learning.Assim, os resultados obtidos com deep learning superaram consistentemente os resultados de machine learning, para ambos os tipos de imagens. Destaca-se a excelente capacidade da primeira técnica para extrair as features mais relevantes das imagens médicas, tendo-se obtido melhores resultados para as imagens provenientes da ecografia. Com machine learning, foi alcançado um F1-Score de 97,20% para as imagens de ecografia, de 75,40% para as imagens de elastografia e 75,64% quando se combinaram os dois tipos de imagens. A abordagem de deep learning alcançou F1-Scores de 98,85%, 89,15% e 93,70% para as imagens ecográficas, elastográficas e para a combinação das duas técnicas, respetivamente.Os resultados obtidos neste estudo são promissores e apresentam um potencial significativo no campo da identificação de nódulos da tiroide. A capacidade demonstrada por ambas as abordagens abre portas para aplicações futuras que podem melhorar substancialmente o diagnóstico da patologia da tiroide.

Thyroid nodules, although they appear as discrete lesions, are a fairly common pathology in the world's population. Early and timely detection is of great importance to patients' health, as this will provide ongoing medical monitoring and consequent control of the pathology's progression. Thyroid nodules are often benign in origin; however, this type of pathology can develop into serious conditions, such as thyroid cancer. In this study, supervised techniques based on artificial intelligence algorithms were implemented to analyse medical images obtained by ultrasound and elastography. The main objective was to evaluate the ability to identify and classify thyroid nodules in the images. With the proposed objective in mind, two different methods were studied and compared in order to extract the most important features and patterns from images of the organ in question. Initially, a machine learning algorithm was implemented, followed by an approach based on deep learning.The results obtained with deep learning consistently surpassed those obtained with machine learning, for both types of images. The excellent ability of the first technique to extract the most relevant features from medical images stands out, with the best results being obtained for ultrasound images. With machine learning, an F1-Score of 97.20% was achieved for ultrasound images, 75.40% for elastography images and 75.64% when both types of images were combined. Deep learning achieved F1-Scores of 98.85%, 89.15% and 93.70% for ultrasound, elastography and the combination of the two techniques, respectively.The results obtained in this study are promising and show significant potential in the field of thyroid nodule identification. The ability demonstrated by both approaches opens the door to future applications that could substantially improve the diagnosis of thyroid pathology.