Artificial intelligence-assisted digital thyroid FNA cytology: Improved agreement and sensitivity for higher-risk Bethesda categories with enhanced screening efficiency.

چکیده اصلی

BACKGROUND: Accurate cytologic classification of thyroid nodules is essential for clinical management, but interobserver variability and indeterminate interpretations remain persistent challenges. The clinical feasibility of AIxTHY, a disease-specific deep-learning algorithm integrated into a digital cytology platform, was evaluated for assisting thyroid fine-needle aspiration (FNA) diagnosis using whole-slide imaging (WSI). METHODS: Two cytopathologists and one cytologist independently reviewed 100 archival ThinPrep FNA slides using three modalities: microscopy, artificial intelligence (AI)-assisted single-layer WSI (S-WSI), and AI-assisted seven-layer Z-stack WSI (7-WSI), with 2-week washout intervals. Reviewers assigned The Bethesda System (TBS) categories, and review times were recorded. Diagnoses were compared with expert cytologic consensus as ground truth. RESULTS: AI-assisted review modalities improved overall agreement with consensus diagnoses, particularly for higher-risk categories (TBS III+: atypia of undetermined significance, follicular neoplasm, and malignant), and reduced downgrading compared to microscopy. For binary risk stratification (TBS III+ vs TBS II), AI assistance increased sensitivity from 60% to 78% to 79% and accuracy from 61% to approximately 71%, whereas specificity decreased because of increased false-positive classifications, particularly among indeterminate cases. AI-assisted review significantly reduced slide review time by 40% to 65% across diagnostic categories (p < 0.01), with the greatest efficiency gains in positive cases. Compared with S-WSI, 7-WSI did not further improve diagnostic concordance or binary classification performance but provided additional reductions in review time. CONCLUSIONS: AIxTHY is a feasible adjunct for improving detection and workflow efficiency in digital thyroid cytopathology, although further refinement is needed to improve specificity in indeterminate lesions.

ترجمه فارسی چکیده

پس‌زمینه: طبقه‌بندی سیتولوژیک دقیق نودهای تیروئید برای مدیریت بالینی ضروری است، اما تغییرات بین مشاهده‌گر و تفسیرهای نامشخص چالش‌های پایداری هستند. کاربردپذیری بالینی AIxTHY، یک الگوریتم یادگیری عمیق اختصاصی بیماری که در پلتفرم سیتولوژی دیجیتال ادغام شده است، برای کمک به تشخیص FNA تیروئید با استفاده از تصویربرداری اسلاید کامل (WSI) ارزیابی شد. روش‌ها: دو سیتوپاتولوژیست و یک سیتولوژیست به طور مستقل ۱۰۰ اسلاید FNA ThinPrep آرشیوی را با سه حالت بررسی کردند: میکروسکوپی، WSI تک‌لایه کمکی هوش مصنوعی (S-WSI) و WSI ۷-لایه کمکی هوش مصنوعی (7-WSI) با فاصله ۲ هفته. مشاهده‌گران دسته‌بندی‌های سیستم بثسدا (TBS) را تعیین کردند و زمان‌های بررسی ثبت شد. تشخیص‌ها با توافق سیتولوژیک متخصص به عنوان حقایق پایه مقایسه شدند. نتایج: حالت‌های بررسی کمکی هوش مصنوعی هماهنگی کلی را با تشخیص‌های توافق‌شده بهبود داد، به‌ویژه برای دسته‌بندی‌های خطرناک‌تر (TBS III+: نامشخص، نئوپلاسم فولیکولار و سرطانی) و کاهش رتبه‌بندی پایین‌تر را نسبت به میکروسکوپی نشان داد. برای رتبه‌بندی خطر باینری (TBS III+ در برابر TBS II)، کمک هوش مصنوعی حساسیت را از ۶۰٪ به ۷۸٪ و ۷۹٪ و دقت را از ۶۱٪ به حدود ۷۱٪ افزایش داد، در حالی که حساسیت ویژه به دلیل افزایش طبقه‌بندی‌های مثبت کاذب، به‌ویژه در موارد نامشخص، کاهش یافت. بررسی کمکی هوش مصنوعی زمان بررسی اسلاید را به طور معناداری ۴۰٪ تا ۶۵٪ کاهش داد (p < ۰.۰۱)، با بیشترین سود کارایی در موارد مثبت. مقایسه با S-WSI، 7-WSI هماهنگی تشخیصی یا عملکرد طبقه‌بندی باینری را بهبود نرساند اما کاهش زمان بررسی اضافی را فراهم کرد. نتیجه‌گیری: AIxTHY یک مکمل کاربردپذیر برای بهبود تشخیص و کارایی جریان کار در سیتوپاتولوژی دیجیتال تیروئید است، اگرچه نیاز به اصلاح بیشتر برای بهبود حساسیت ویژه در لایه‌های نامشخص وجود دارد.

متن کامل اصلی