ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΘΥΡΕΟΕΙΔΗΣ
ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΘΥΡΕΟΕΙΔΗΣ
A Machine Learning and Deep Learning Approach for the Classification of Thyroid Disorders Using Multi-Source Clinical Data
BioMedInformatics 2026, 6, 34 | Δημοσίευση: 2 Ιουνίου 2026
Συγγραφείς: Kypros Andreou, Eleftherios Georgakopoulos, Costas Toufexis, Nikos L. Papaloizou, Themis P. Exarchos, Panagiotis Vlamos, Marios G. Krokidis
Ο Δρ. Ελευθέριος Γεωργακόπουλος είναι δεύτερος συγγραφέας και το FGA Center αναφέρεται ως φορέας συμμετοχής.
Περίληψη
Η εργασία δείχνει ότι μοντέλα μηχανικής μάθησης και βαθιάς μάθησης μπορούν να συνδυάζουν εργαστηριακούς δείκτες, δημογραφικά στοιχεία και υπερηχογραφικές εικόνες, ώστε να υποστηρίζουν την ταξινόμηση θυρεοειδικών διαταραχών όπως Hashimoto, Graves και θυρεοειδικοί όζοι. Η τεχνητή νοημοσύνη δεν αντικαθιστά την ιατρική κρίση· βοηθά στη σύνθεση πολλών πηγών δεδομένων και στην ανάδειξη χρήσιμων προτύπων.
ΔΕΔΟΜΕΝΑ
17.782 συνολικά δεδομένα: 17.412 υπερηχογραφικές εικόνες, 180 Graves και 190 Hashimoto.
ΜΟΝΤΕΛΑ
Random Forest, XGBoost, Gradient Boosting, Decision Trees, CNN EfficientNet-B0 και U-Net.
ΣΤΟΧΟΣ
Υποστήριξη πιο ολοκληρωμένης αξιολόγησης θυρεοειδικών διαταραχών με πολλαπλές πηγές κλινικών δεδομένων.
Κύρια ευρήματα
- Hashimoto: Το Random Forest πέτυχε περίπου 96% accuracy/F1-score. Σημαντική πληροφορία έδωσαν TPOAb, TgAb, FT4 και ηλικία.
- Graves: Τα XGBoost και Random Forest πέτυχαν περίπου 98% σε accuracy, precision, recall και F1-score, με AUC έως 1.00. Κεντρικοί δείκτες: TSH, FT3/FT4 και TRAb.
- Θυρεοειδικοί όζοι: Το CNN EfficientNet-B0 πέτυχε 76% ακρίβεια στην ταξινόμηση υπερηχογραφικών εικόνων, ενώ το U-Net πέτυχε 94% στην τμηματοποίηση της περιοχής του όζου.
Σημαντική διευκρίνιση: Η μελέτη είναι αναδρομική και proof-of-concept. Τα αποτελέσματα είναι ενθαρρυντικά, αλλά απαιτούνται μεγαλύτερες, ποικιλόμορφες και προοπτικές κλινικές μελέτες πριν από ευρεία κλινική εφαρμογή.
Γιατί είναι σημαντικό για το FGA Center
Η δημοσίευση εκφράζει τη λογική της κλινικής ερμηνείας και της μεταβολικής χαρτογράφησης: όχι μεμονωμένη ανάγνωση ενός δείκτη, αλλά ολοκληρωμένη αξιολόγηση πολλών πληροφοριών. Η τεχνητή νοημοσύνη μπορεί να ενισχύσει αυτή την προσέγγιση, οργανώνοντας βιοχημικά, κλινικά και απεικονιστικά δεδομένα σε ένα πλαίσιο υποστήριξης της ιατρικής απόφασης.
Μήνυμα: η ιατρική του μέλλοντος βασίζεται στη σύνθεση πολλών δεδομένων με επιστημονική κρίση, τεχνολογία και εξατομικευμένη προσέγγιση.
Πηγή: Andreou K., Georgakopoulos E. et al. BioMedInformatics 2026, 6, 34. DOI: 10.3390/biomedinformatics6030034
