人工智能輔助評分系統聯合超聲彈性成像診斷甲狀腺結節良惡性的價值

宋林科,姜 玨,王 娟,周 琦

(西安交通大學第二附屬醫院 醫用超聲研究室,陜西 西安,710004)

二維超聲具有實時、動態、無輻射、價格低廉、可重復性強等優勢，已成為臨床診斷甲狀腺結節的首選手段，但其判斷結節性質的價值有限[1]。超聲彈性成像技術是通過不同組織的硬度差異來評估組織的良惡性，具有重復性好，能夠定量診斷等優點，但易受操作者經驗、病變鈣化及纖維化、病變生長位置等因素影響[2]。近年來，人工智能輔助診斷系統在甲狀腺超聲診斷中發揮出獨特優勢，能夠明顯降低工作強度，提高工作效率及診斷準確性，尤其是可以快速、實時、有效地評估甲狀腺結節良惡性，但也受醫師經驗、結節大小等影響[3]。本研究探討甲狀腺人工智能輔助評分系統聯合超聲彈性成像技術診斷甲狀腺結節良惡性的價值，現報告如下。

1 資料與方法

1.1 一般資料

選取2019年6月—2020 年6月在本院行甲狀腺結節超聲檢查的患者414例(共543個結節)，所有患者病理和影像學資料均完整，排除具有甲狀腺手術史的患者。男136例，女278例，年齡24～68歲，平均(44.39±10.04)歲，結節直徑0.70～4.20 cm,平均(1.87±0.69) cm。

1.2 方法

由1名工作年限超過10年的醫師應用LOGIQ E9彩色多普勒超聲診斷儀(美國GE公司)采集甲狀腺結節超聲圖像，采用高頻線陣探頭，頻率設置為6.5～13.0 MHz,選擇Thyroid 模式。囑患者自然仰臥，充分暴露頸部，嚴格按照陜西省超聲質控中心的質控要求對其甲狀腺進行多切面、全方位掃查，必要時調整探頭頻率及患者頭頸部位置。每個結節選取3張像素清晰、特征明顯、能夠全面反映結節細節的二維超聲圖像，直接以DICOM格式傳輸至甲狀腺人工智能輔助診斷系統(AI-SONICTMThyroid),對甲狀腺結節進行評分，記錄結節數字評分的最大值，評分數值越大提示結節惡性的可能性越高，同時以取樣框顏色區分(綠色提示良性,0～0.39分;橙色提示可疑,0.40～0.59分;紅色提示惡性,0.60～1.00分)。見圖1。

隨后切換至助力式超聲彈性成像模式，將感興趣區(ROI)設置為病變組織的2～3倍，輕壓探頭，使壓力值為3～4,獲取超聲彈性成像圖。測量甲狀腺結節的應變率，記錄為A,隨后對同一層面正常的甲狀腺應變率進行測量，記錄為B。測量3次，取A、B的平均值，計算甲狀腺結節的應變率比值(SR),SR=B/A,見圖2。

1.3 觀察指標

以病理學檢查結果為金標準，分析人工智能評分(AIAS)、SR以及兩者聯合診斷甲狀腺結節良惡性的價值。

1.4 統計學方法

2 結 果

2.1 病理檢查結果

543個甲狀腺結節中，病理檢查結果證實，惡性病變339個(62.43%),包括乳頭狀癌309個，濾泡狀癌30個，設為惡性組;良性病變204個(37.57%),包括結節性甲狀腺腫172個，甲狀腺腺瘤21個，淋巴細胞性甲狀腺炎11個，設為良性組。

2.2 甲狀腺結節良惡性的AIAS和SR比較

良性結節的AIAS、SR均低于惡性結節，差異有統計學意義(P<0.05)。見表1。

表1 甲狀腺結節良惡性的人工智能評分和SR比較

2.3 AIAS、SR診斷甲狀腺結節良惡性的聯合診斷分析

將AIAS、SR納入二元Logistic回歸分析，回歸方程Logit(P)=-12.508+1.135SR +12.622AIAS。聯合預測因子=SR+AIAS×(12.622/1.135)。AIAS與SR聯合診斷下，良性組聯合預測因子為(7.32±2.71),惡性組為(14.85±2.35),差異有統計學意義(P<0.05)。

2.4 AIAS、SR和聯合診斷的ROC分析

AIAS與SR聯合診斷的AUC均高于AIAS和SR的AUC,差異均有統計學意義(P<0.05),SR和AIAS診斷的AUC比較，差異無統計學意義(P>0.05)。聯合診斷的靈敏度、特異度和準確率均高于AIAS和SR，差異有統計學意義(P<0.05)。見表2。

表2 AIAS、SR和聯合診斷的ROC分析

3 討 論

甲狀腺結節常因體檢、頸部不適或甲狀腺功能異常而被發現，早期診斷后的治愈率較高，患者預后一般較好[4-5]。目前，高分辨率超聲檢查設備可獲得質量更優的甲狀腺超聲圖像，但甲狀腺結節的常規二維聲像圖復雜多變，良惡性結節重疊、融合存在。彩色多普勒血流成像既可以表現為豐富血流，也可以表現為缺乏血供，有些結節既具備良性病變的特點，又具有惡性病變的特征，導致醫師僅從常規二維聲像圖上很難判斷其良惡性[6]。人工智能技術主要是利用計算機代替人工識別二維超聲圖像，簡化工作流程。研究[7]證明，人工智能輔助系統能顯著提高低年資醫師診斷甲狀腺結節的準確率。超聲彈性成像技術通過獲取病灶組織硬度信息診斷甲狀腺結節良惡性，其中SR在診斷甲狀腺結節性質中更為客觀，且能夠對病灶組織的彈性評分進行定量評價[8]。

本研究發現，良性組和惡性組的AIAS和SR差異有統計學意義(P<0.05),提示兩者均可作為甲狀腺結節良惡性的診斷方法。人工智能輔助評分系統AI-SONICTMThyroid是DEMETICS超聲診斷機器人的一個子系統，德尚韻興醫療科技根據自主研發的深度學習框架Light3，自主設計了一些網絡層和旋轉不變層，其優勢是在專家標注的大量樣本上，計算機可以逐個像素、超快速地捕捉到很多無法用語言來描述的特征及某些肉眼較難以觀察到的精細病變組織結構等，不需要人為設定特征，從而實現對甲狀腺結節良惡性的智能化判斷。研究[9]發現，人工智能技術實現對二維超聲圖像的定量化分析，摒棄了傳統的描記，操作便捷，與病理診斷結果的一致性較高。本研究發現，人工智能輔助評分系統診斷下的靈敏度為87.02%,特異度為86.27%,與王洪杰等[10]報道的89.58%和83.21%相近。超聲彈性成像技術可有效反映病變組織的硬度變化，甲狀腺良性結節內部成分以膠體、濾泡等為主，質地偏軟，彈性較高;甲狀腺惡性結節的細胞分化程度多樣，纖維成分較為豐富，砂粒體較多，硬度偏高，彈性較差[11]。研究[12]發現，超聲彈性成像技術對甲狀腺結節的診斷靈敏度為88.90%,特異度為91.80%,與本研究的81.70%和90.20%相近。

本研究中，聯合診斷下的AUC、靈敏度和特異度均優于AIAS和SR單獨診斷。分析原因為:AIAS能夠對異常區域超聲圖像特征進行有效分割、提取和量化，對結節的良惡性進行評估，減少醫師的主觀判斷對結果的影響[13]。但在人工智能診斷中，未與患者甲狀腺正常組織進行對比，并可受結節的直徑、位置、粘連或者中等回聲等影響，降低結節識別率[14]。SR為病變組織與正常組織彈性的比值，排除了呼吸對結果的影響，在反映病變組織硬度中具有一定的優勢，但在具體診斷時，可因組織鈣化、橋本氏甲狀腺炎等影響，使病變周圍組織硬度增高，導致診斷準確率下降[15]。AIAS和SR聯合診斷下，可實現優勢互補，在對結節形態學特征分析的基礎上聯合病變組織的硬度信息對結節性質進行判斷，完善了圖像信息，進而使診斷準確率明顯提升[16-18]。目前，人工智能輔助評分系統在甲狀腺結節診斷中的應用仍尚未完全成熟，普及率較低，仍有待進一步研究。

綜上所述，人工智能輔助評分系統和超聲彈性成像在單獨診斷甲狀腺結節良惡性中均具有一定的局限性，二者聯合應用對甲狀腺結節性質的診斷價值更高。