上一次我们介绍完ACR TI-RADS分类系统后，出了一道小测试题，让大家给下面这个结节按照ACR TI-RADS分类系统评分并分类。
尽管我们已经尽可能地用最简单最清晰的语言给大家介绍这一分类的标准，但我们还是看到朋友们给这个结节的评分还是五花八门，从0分到7分的都有，分类从TR1到TR5都有。
这种差别被称为观察者间的不一致性，这种不一致性是由于不同观察者对于相关内容、知识的认知不一致而导致的，是一种无法消除的误差。一个设计越复杂的系统、参数越多的系统，观察者间的不一致性就越大。
为了克服观察者间的不一致性，使ACR TI-RADS具有更好的实用性，也为了保持高敏感性的同时简化分类和提高特异性。研究者利用人工智能优化算法后对现行的ACR TI-RADS进行修订，形成了所谓 AI TI-RADS（人工智能甲状腺成像报告和数据系统）。
AI TI-RADS（人工智能甲状腺成像报告和数据系统)是对 ACR TI-RADS 的数据延伸分析和修订。该研究发表于5月2日的“Radiology”，其目的是在保持高敏感性的同时简化分类系统和提高特异性。
AI TI-RADS使用已知细胞学结果的1325个结节的训练集和交互学习算法来优化当前的词汇和评分结构。AI TI-RADS系统随后被专家和非专家放射科医师应用，并与已知的ACR TI-RADS分类别进行了比较。
我们先看看AI TI-RADS与ACR TI-RADS相比提出了那些改变
五种影像学特征类别保持不变，各有以下变化:
内部结构——只有实性结节得分
囊性结节和海绵状结节依旧得分为0分。AI TI-RADS发现，无论在此类结节中发现在其他任何类别中的任何现象和特征，囊性和海绵状这一特征都足以判定结节为良性
囊实性混合结节得0分，不再得1分
实性或接近完全实性结节3分，而不再得2分
不能分类者得0分，而不再是2分
回声——只有低回声结节得分
等/高回声和不能分辨回声特点的结节得0分，而不再是1分
形状
“高大于宽”的只得1分，而不再是3分
边界
没有变化
强回声灶
大钙化得0分，不再得1分
AI TI-RADS系统进一步简化声像图评估标准，得分项目减少。
AI TI-RADS系统每个TR类别的得分水平和按大小划分的FNA推荐阈值保持不变。
【与ACR TI-RADS比较的结果】
研究显示，在100个结节中，AI TI-RADSI和ACR TI-RADS的敏感性相同(93%)。AI TI-RADS的特异性在专家医师群中从47%提高到65%，在非专家医师群中从47%提高到55%。
使用AI TI-RADS后评估100个结节中有43个结节被降级，其中15个结节不再符合FNA要求(均为良性)。AI TI-RADS评分算法没有漏掉额外的恶性肿瘤。
【华斌述评】
人工智能（AI）在影像学的应用是大势所趋，但AI绝对不是计算机读图和识图，更不是什么无聊的人机大战。人工智能的目的是让计算机学习帮助我们学习，利用合理的算法为我们寻找更为合适的图像评估方案，它的目的是简化人的工作，寻找那些最容易被人为干扰的因素和参数，通过减少这些因素或参数在病变管理中的权重，从而实现患者利益的最大化。
【参考文献】
1. Benjamin Wildman-Tobriner, Mateusz Buda, Jenny K. Hoang, William D. Middleton, David Thayer, Ryan G. Short, Franklin N. Tessler, Maciej A. Mazurowski. Using Artificial Intelligence to Revise ACR TI-RADS Risk Stratification of Thyroid Nodules: Diagnostic Accuracy and Utility. () Radiology.
我们试试看：
上面这个结节，按照ACR TI-RADS分类，它的得分应该是：实性 2分，高回声1分，大钙化1分，其他均不得分，总分4分，分类在TR4,，中度可疑；
按照AI TI-RADS 只有实性得3分。其他均不得分，总分3分，分类在TR3，轻度可疑恶性。
最后病理：桥本结节。
另外。开头那个结节的得分应该是 0 分，TR1。
