人工智能技術在甲狀腺結節(jié)診斷及預測淋巴結轉(zhuǎn)移中的應用

劉凌曉， 董 怡

甲狀腺結節(jié)是臨床常見的疾病之一。 其中良性結節(jié)包括甲狀腺增生結節(jié)、甲狀腺囊腫、甲狀腺濾泡腺瘤等，惡性結節(jié)最常見為甲狀腺乳頭狀癌。 以往文獻報道， 高分辨率超聲篩查甲狀腺結節(jié)的檢出率為20%～76%，其診斷甲狀腺癌占5%～15%［1］。 目前，良性甲狀腺結節(jié)的確診主要依靠影像學表現(xiàn)及隨訪改變，惡性甲狀腺結節(jié)的確診主要依靠超聲引導下穿刺活檢及病理診斷［2］。在精準醫(yī)療時代下，術前準確、無創(chuàng)地鑒別甲狀腺結節(jié)的良惡性、預測頸部淋巴結是否轉(zhuǎn)移有利于提高個性化治療的針對性，合理分配醫(yī)療資源。

在現(xiàn)有的影像學檢查方法中， 超聲憑借其無創(chuàng)、靈敏、實時顯像等獨特優(yōu)勢，成為甲狀腺結節(jié)的首選影像學診斷方法［3］。 但超聲檢查具有一定的操作者依賴性，不同經(jīng)驗的操作者可能對同一圖像產(chǎn)生不同的判讀效果。

人工智能（artificial intelligence，AI）輔助診斷是計算機模擬人類智能與思維的前沿學科［4］，其采用計算機輔助檢測與診斷（computer-aided detection and diagnosis，CAD）系統(tǒng)等方法挖掘影像圖像中的特征信息，精準、迅速地識別病灶并給出客觀的診斷意見。 影像組學結合大數(shù)據(jù)與醫(yī)學影像，利用深度學習方法深度挖掘圖像信息， 提取高通量圖像特征，并尋找高通量特征與疾病的發(fā)生、發(fā)展、病理、基因等方面的關聯(lián)，構建模型預測分析，輔助臨床決策，以提高診斷、預測、評估預后的準確性［5］。近年來，AI輔助下的醫(yī)學影像學技術在精準診斷甲狀腺結節(jié)良惡性及淋巴結轉(zhuǎn)移預測已成為研究熱點，本文就AI 在甲狀腺結節(jié)診斷及淋巴結轉(zhuǎn)移中的應用進行評述。

1 AI 技術在甲狀腺結節(jié)術前診斷中的應用

甲狀腺結節(jié)術前精準診斷結節(jié)良惡性，有助于選擇合理的治療方式。 以往超聲診斷甲狀腺結節(jié)惡性的標準有二維超聲顯示甲狀腺結節(jié)縱橫比＞1、結節(jié)邊界不清、內(nèi)部散在分布的微鈣化等。 在常規(guī)超聲造影（contrast enhanced ultrasound， CEUS）檢查中， 甲狀腺癌動脈期常表現(xiàn)為整體不均勻低增強。現(xiàn)有的美國放射學會甲狀腺影像報告和數(shù)據(jù)系統(tǒng)（American College of Radiology thyroid imaging reporting and data system， ACR TI-RADS）標準中，TI-RADS 判定甲狀腺結節(jié)為等回聲或低回聲、無包膜、外周微小鈣化和血流豐富，其診斷甲狀腺癌的靈敏度、特異度分別為79.0%、71.0%［6］。 但其對于形態(tài)不典型及TI-RADS 4b 類甲狀腺結節(jié)性質(zhì)判斷比較困難。

CAD 系統(tǒng)和深度學習是AI 技術采用的兩個主要方法。 CAD 系統(tǒng)由圖像采集、特征提取和分類識別等過程構成， 以輔助提高治療前診斷準確率［7］。CAD 系統(tǒng)量化超聲灰階參數(shù)，判別甲狀腺結節(jié)的性質(zhì)，給出客觀診斷意見，是AI 檢測甲狀腺結節(jié)主要的方法［8］。有研究采用人工判別和CAD 系統(tǒng)分別診斷185 個甲狀腺結節(jié)的良惡性，CAD 系統(tǒng)診斷結節(jié)良惡性的受試者工作特征曲線（ROC）曲線下面積（area under curve，AUC）及特異度均優(yōu)于人工判讀，在CAD 的量化參數(shù)中，結節(jié)低回聲、微鈣化及縱橫比＞1 能夠有效評估甲狀腺惡性結節(jié)，并提供可靠的穿刺建議［9］。 也有報道使用CEUS、CAD 系統(tǒng)、CAD系統(tǒng)聯(lián)合CEUS 診斷122 例經(jīng)術后病理證實的甲狀腺結節(jié)，靈敏度分別為81.9%、90.4%、92.8%，特異度分別為84.6%、69.2%、89.7%， 準確度分別為82.8%、83.6%、91.8%，CAD 系統(tǒng)聯(lián)合CEUS 診斷結節(jié)良惡性效能優(yōu)于單獨的CAD、CEUS，二者聯(lián)合能夠為甲狀腺結節(jié)進行快速的分級評估，更加精確地鑒別診斷甲狀腺結節(jié)良惡性［10］。 但CAD 系統(tǒng)的感興趣區(qū)（region of interest，ROI）為人工勾勒，可能具有一定主觀性，若采用系統(tǒng)自動識別診斷結果更加客觀。

近來，基于卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）和深度學習技術的超聲影像組學成為術前診斷甲狀腺結節(jié)良惡性的有效工具［11］。 CNN由輸入層、卷積層、池化層和輸出層等組成，CNN 經(jīng)卷積層與池化層不斷循環(huán)從而自動提取圖像特征并進行降維， 將所得結果與已知分類不斷對比、改善提取的圖像特征［12］。 曾有報道基于YOLOv2 神經(jīng)網(wǎng)絡，通過深度學習建立甲狀腺圖像的自動識別和診斷系統(tǒng)， 能將甲狀腺結節(jié)自動勾勒結節(jié)的ROC曲線的AUC 提高到0.90， 且準確性高于超聲檢查（P＜0.05），YOLOv2 系統(tǒng)對甲狀腺惡性結節(jié)診斷的靈敏度、準確度、陽性預測值、陰性預測值（90.5%，90.31%，95.22%，80.99%）與超聲檢查具有可比性（P＞0.05），且YOLOv2 系統(tǒng)具有更高的特異性（89.91%比77.98%，P＜0.05）， 其在超聲檢查過程中實現(xiàn)實時、同步診斷，輔助臨床診療決策［13］。 混合CNN 在超聲圖像中能自動識別、分割甲狀腺結節(jié)，其ROC曲線的AUC 為98.51%，混合CNN 自動識別甲狀腺結節(jié)能夠提供客觀的診斷意見并減輕醫(yī)師工作量，能提高超聲引導下針吸術的診斷性能［14］。 Buda 等［15］納入1 278 個甲狀腺結節(jié)進行CNN 訓練，采用十折交叉驗證深度學習算法，并納入99 個甲狀腺結節(jié)進行內(nèi)部驗證，結果表明深度學習給出的穿刺活檢建議的靈敏度和特異度分別為87.0%、52.0%， 與放射科專家的診斷相似（87.0%、51.0%）。 有研究通過基于深層CNN GoogLeNet 模型開發(fā)一個完整的甲狀腺超聲圖像分類系統(tǒng)，對圖像進行預處理以獲得更好的圖像質(zhì)量［16］。 GoogLeNet 對開放性數(shù)據(jù)庫中的甲狀腺結節(jié)良惡性分類的靈敏度、特異性、準確度分別99.10%和93.90%、98.29%，對本地數(shù)據(jù)庫中的甲狀腺結節(jié)良惡性分類的靈敏度、特異性、準確度分別為86%、99%、96.34%［16］。

2 AI 技術在預測甲狀腺癌淋巴結轉(zhuǎn)移中的應用

甲狀腺癌中最常見的是甲狀腺乳頭狀癌（papillary thyroid carcinoma， PTC）， 甲狀腺癌侵襲性、淋巴結轉(zhuǎn)移是PTC 介入治療復發(fā)和不良生存率最相關的危險因素［17］，預測PTC 淋巴結轉(zhuǎn)移對評估甲狀腺癌療效具有重要意義。以往的報道多數(shù)基于常規(guī) 超 聲［18-19］、CEUS［20］及 超 聲 剪 切 波 彈 性 成 像（shear wave elastography， SWE）的研究。 結果顯示常規(guī)超聲診斷的甲狀腺癌形態(tài)不規(guī)則、緊貼包膜、結節(jié)微鈣化、血流豐富、多發(fā)病灶是淋巴結轉(zhuǎn)移的重要特征［18-19］；在CEUS 檢查中，甲狀腺癌動脈期等或高增強是淋巴結轉(zhuǎn)移獨立危險因素［20］；SWE 楊氏模量最大值、 平均值增高是預測甲狀腺癌淋巴結轉(zhuǎn)移的重要參數(shù)［18-19］。 但以往研究樣本量較小，診斷效能還有待提高。

淋巴結轉(zhuǎn)移是甲狀腺癌復發(fā)與轉(zhuǎn)移重要的臨床特征之一［21］。 治療前AI 技術精準預測淋巴結的轉(zhuǎn)移對選擇合理治療方式、提高療效、改善患者預后具有重要作用。曾有研究嘗試在MRI 中提取影像組學高通量特征，構建組學模型預測甲狀腺癌侵襲性效能明顯優(yōu)于臨床特征（ROC 曲線AUC 0.92 對0.56），AI 基于MRI 圖像能夠在術前精準預測PTC的侵襲性，為評估患者預后及調(diào)整臨床治療策略提供依據(jù)［22］。 Liu 等［23］通過對450 例PTC 伴淋巴結的超聲圖像分割，提取614 個高通量特征，構建模型預測PTC 出現(xiàn)淋巴結轉(zhuǎn)移的AUC 為0.78， 準確率為0.71。 另有研究基于灰階超聲及SWE 影像組學圖像特征，構建術前影像組學評分系統(tǒng)，預測PTC淋巴結轉(zhuǎn)移，該模型ROC 曲線的AUC 為0.84，具備一定的術前預測PTC 淋巴結轉(zhuǎn)移的能力［8］。 近來有研究在PTC 患者中分別采用灰階超聲、剪切波彈性超聲及二者聯(lián)合的模式，經(jīng)圖像分割、特征提取、特征選擇和分類識別提取了3 個特征集， 共篩選了684 個高通量影像組學特征， 結果顯示灰階超聲與剪切波彈性超聲聯(lián)合的影像組學模型預測PTC 淋巴結轉(zhuǎn)移的效能優(yōu)于單獨的灰階超聲或剪切波彈性超聲，其ROC 曲線的AUC、靈敏度、特異度和準確度分別為0.90、0.77、0.88 和0.85［24］，基于多模態(tài)超聲的影像組學能更加準確地預測PTC 患者的淋巴結轉(zhuǎn)移，對評估療效、改善預后具有重要作用，將是未來進一步的研究方向。

BRAF（B-Raf proto-oncogene， serine/threonine kinase）基因突變是反映甲狀腺癌高度侵襲性的分子指標，其與甲狀腺癌復發(fā)、不良預后密切相關［25］。有研究使用基于超聲影像組學方法評估PTC 中BRAF 突變， 研究表明構建模型預測BRAF 基因突變的AUC 為0.651，靈敏度、特異度、準確度分別為66.8%、61.8%、64.3%［26］，超聲憑借其無創(chuàng)、實時、多切面成像的優(yōu)勢， 在構建影像組學預測模型方面，具有獨特的優(yōu)勢和發(fā)展?jié)摿Α?/p>

3 AI 技術在甲狀腺結節(jié)診斷及淋巴結轉(zhuǎn)移預測中的應用前景展望

目前AI 在甲狀腺結節(jié)的自動勾勒、輪廓識別與良惡性判別中取得了較為滿意的結果，但AI 對于較小的甲狀腺結節(jié)的診斷效能仍有很大的提升空間。在大數(shù)據(jù)時代背景下，建立術前精準、無創(chuàng)診斷甲狀腺結節(jié)良惡性、預測頸部淋巴結轉(zhuǎn)移、前瞻性預測預后的AI 超聲影像學體系， 對實現(xiàn)甲狀腺結節(jié)AI 支撐下的甲狀腺診療新模式具有重要意義。

依托醫(yī)學影像多中心大數(shù)據(jù)及標準化、規(guī)范化的數(shù)據(jù)采集流程， 未來AI 技術在甲狀腺結節(jié)診斷及預測淋巴結轉(zhuǎn)移中能得到更廣闊的應用。