（1）深度学习模型的构建与数据集的划分 研究的首要步骤是收集甲状腺结节患者的超声图像数据。这些数据来自于不同的医疗机构，确保了样本的多样性和广泛性。数据集被划分为训练集、测试集和验证集，其中训练集用于模型的初步训练，测试集用于评估模型的性能，而验证集则用于进一步调整模型参数和防止过拟合。在这项研究中，使用了多种深度学习架构，如ResNet-50、ViT、VGG-16和GoogleNet，以比较它们在甲状腺结节良恶性诊断中的性能表现

。

（2）模型性能的评估与比较 模型的性能通过准确性、灵敏度、特异度和AUC等指标进行评估。这些指标能够全面反映模型的诊断能力，包括其识别能力、区分良性和恶性结节的能力，以及模型的总体预测准确性。此外，通过与初级医师的诊断结果进行比较，进一步验证了深度学习模型的优越性。研究发现，ResNet-50模型在测试集、验证集A和验证集B中均取得了较高的诊断性能，其AUC分别为0.900、0.920和0.902，显示出深度学习模型在诊断甲状腺结节方面的高准确性

。

（3）深度学习模型的可视化与解释性 为了提高模型的可解释性，研究中采用了类激活映射图等技术，将甲状腺超声图像中的重要特征区域进行可视化。这种可视化技术帮助医生理解模型的决策过程，识别模型认为与结节良恶性相关的图像特征。例如，深度学习模型在诊断甲状腺囊实性结节时，会赋予实性部分更大的权重，这一发现对于临床医生在实际操作中具有一定的指导意义

。

（4）深度学习模型在预测甲状腺癌颈部淋巴结转移中的应用 除了诊断甲状腺结节的良恶性，深度学习模型还被用于预测甲状腺癌颈部淋巴结转移。通过收集甲状腺癌患者的超声图像，构建了基于深度学习的预测模型。这些模型不仅能够预测淋巴结转移的可能性，还能提供关于转移淋巴结位置的信息。研究结果表明，深度学习模型在预测甲状腺癌CLNM方面具有良好的诊断性能，其AUC值在不同的验证集中均表现良好，显示出深度学习模型在这一领域的应用潜力

。

（5）深度学习模型与临床特征的结合 为了进一步提高模型的诊断性能，研究中还探讨了将深度学习模型的输出与临床特征相结合的方法。通过构建综合模型，结合超声图像特征和临床信息，如患者年龄、性别、肿瘤大小等，提高了模型对甲状腺癌颈部淋巴结转移的预测准确性。这种方法不仅提高了模型的诊断效能，也为临床决策提供了更加全面的信息

。

基于超声图像的深度学习模型在诊断甲状腺良恶性结节及预测甲状腺癌颈部淋巴结转移方面展现出了巨大的潜力。这些模型不仅能够提供高准确性的诊断结果，还能通过可视化技术帮助医生理解其决策过程。随着深度学习技术的不断进步和临床数据的积累，预计这些模型将在甲状腺疾病的诊断和治疗中发挥越来越重要的作用。

% XTrain, YTrain, XTest, YTest

% 定义深度学习模型架构
layers = [
    imageInputLayer([1 224 224])
    convolution2dLayer(3, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(2) % 假设是一个二分类问题
    softmaxLayer
    classificationLayer];

% 设置训练选项
options = trainingOptions('sgdm', ...
    'InitialLearnRate', 0.01, ...
    'MaxEpochs', 10, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {XTest, YTest}, ...
    'ValidationFrequency', 30, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(XTrain, YTrain, layers, options);

% 使用训练好的模型进行预测
YPred = classify(net, XTest);

% 计算并显示准确度
accuracy = sum(YPred == YTest)/numel(YTest);
disp(['Accuracy: ', num2str(accuracy * 100), '%']);

% 可视化第一个测试样本的预测结果
imshow(XTest(:,:,:,1));
title(['Actual: ', num2str(YTest(1)), ', Predicted: ', num2str(YPred(1))]);