# Prospects for the application of convolutional neural networks in the cytological diagnosis of thyroid nodules

## TL;DR

This paper explores how convolutional neural networks can improve thyroid nodule cytology diagnosis, showing high accuracy but noting limitations in standardization and data.

## Contribution

The paper evaluates the potential of convolutional neural networks to automate thyroid cytology diagnosis with accuracy comparable to experts.

## Key findings

- Convolutional neural networks can classify thyroid pathology with up to 99.7% accuracy.
- Current models lack standardized image preparation and multi-center data.
- AI systems may shift cytopathology toward digital and computational methods.

## Abstract

АКТУАЛЬНОСТЬ. Цитологическое исследование очаговых образований щитовидной железы (ЩЖ) является золотым стандартом диагностической программы верификации доброкачественных и злокачественных поражений этого органа. Рост заболеваемости, недостаток специалистов и потребность автоматизации медицинской диагностики делают применение машинного обучения, особенно свёрточных нейронных сетей, перспективным направлением в цитологической диагностике патологии ЩЖ.

ЦЕЛЬ. Анализ и оценка роли свёрточных нейронных сетей в цитологической диагностике патологии ЩЖ, исследование их потенциала для повышения точности и автоматизации диагностических процессов.

МЕТОДЫ. Анализ литературы из баз данных Pubmed, Google Scholar и научной электронной библиотеки elibrary.ru с использованием ключевых слов «thyroid», «cytology», «cytopathology», «fine-needle aspiration biopsy», «neural network» и «convolutional neural network». Для анализа отобрано 12 статей, опубликованных с 2018 по 2023 гг.

РЕЗУЛЬТАТЫ. В работе рассмотрены основные принципы устройства свёрточных нейронных сетей и показатели, которые используются для оценки их качества. Выполнен анализ исследований по применению свёрточных нейронных сетей в цитологической диагностике патологии ЩЖ. В соответствии с результатами указанные нейронные сети классифицируют патологические состояния с высокой точностью и чувствительностью, сравнимой с работой опытного цитолога. Точность классификации папиллярного рака может достигать 99,7%. Однако отсутствие единых стандартов подготовки изображений для обучения нейронных сетей, недостаточное количество исследований с использованием многоцентровых данных и узкий диагностический спектр имеющихся нейросетевых моделей пока ограничивает внедрение таких систем искусственного интеллекта в цитологическую диагностическую практику.

ЗАКЛЮЧЕНИЕ. Имеющиеся результаты исследований разнообразных вариантов использования свёрточных нейронных сетей в цитологической диагностике патологии ЩЖ имеют все шансы стать инициатором серьезного сдвига парадигмы привычной цитопатологии в сторону цифровой и вычислительной цитопатологии, в которых основные функции будут выполнять системы на основе искусственного интеллекта.