Thyroid nodules are common incidental findings. Most of them are benign, but many unnecessary fine-needle aspiration procedures, core biopsies, and even thyroidectomies or non-invasive treatments have been performed. To improve thyroid nodule characterization, the use of multiparametric ultrasound evaluation has been encouraged by most experts and several societies. In particular, US elastography for assessing tissue stiffness and CEUS for providing insight into vascularization contribute to improved characterization. Moreover, the application of AI, particularly machine learning and deep learning, enhances diagnostic accuracy. Furthermore, AI-based computer-aided diagnosis (CAD) systems, integrated into the diagnostic process, aid in risk stratification and minimize unnecessary interventions. Despite these advancements, challenges persist, including the need for standardized TIRADS, the role of US elastography in routine practice, and the integration of AI into clinical protocols. However, the integration of clinical information, laboratory information, and multiparametric ultrasound features remains crucial for minimizing unnecessary interventions and guiding appropriate treatments. In conclusion, ultrasound plays a pivotal role in thyroid nodule management. Open questions regarding TIRADS selection, consistent use of US elastography, and the role of AI-based techniques underscore the need for ongoing research. Nonetheless, a comprehensive approach combining clinical, laboratory, and ultrasound data is recommended to minimize unnecessary interventions and treatments.
Schilddrüsenknoten sind häufige Zufallsbefunde. Zwar sind die meisten Knoten gutartig, aber viele Feinnadel-Aspirationen, Kernbiopsien und sogar Thyreoidektomien oder nicht invasive Behandlungen werden unnötigerweise durchgeführt. Um die Charakterisierung von Schilddrüsenknoten zu verbessern, haben die meisten Experten und mehrere Gesellschaften den Einsatz multiparametrischer Ultraschalluntersuchungen empfohlen. Insbesondere die US-Elastografie zur Beurteilung der Gewebesteifigkeit und der CEUS zur Darstellung der Vaskularisation tragen zur besseren Charakterisierung bei. Darüber hinaus erhöht die Anwendung einer KI, insbesondere maschinelles Lernen und Deep Learning, die diagnostische Genauigkeit. Außerdem helfen KI-basierte computergestützte Diagnosesysteme (CAD), die in den Diagnoseprozess integriert sind, bei der Risikostratifizierung und verhindern unnötige Interventionen. Trotz dieser Fortschritte gibt es noch weitere Herausforderungen, darunter die Notwendigkeit standardisierter TIRADS, die Rolle der US-Elastografie in der Routinepraxis und die Integration von KI in klinische Protokolle. Die Integration klinischer Informationen, von Labordaten und multiparametrischen Ultraschallmerkmalen ist jedoch nach wie vor von entscheidender Bedeutung, um unnötige Eingriffe zu vermeiden und geeignete Behandlungen einzuleiten. Zusammenfassend lässt sich sagen, dass der Ultraschall bei der Behandlung von Schilddrüsenknoten eine zentrale Rolle spielt. Offene Fragen bezüglich der TIRADS-Auswahl, des konsequenten Einsatzes der US-Elastografie und der Rolle der KI-basierten Techniken unterstreichen den Bedarf an weitergehender Forschung. Jedenfalls wird ein umfassender Ansatz empfohlen, der klinische Informationen sowie Labor- und Ultraschalldaten kombiniert, um unnötige Eingriffe und Behandlungen zu minimieren.
Thieme. All rights reserved.