S-Detect對甲狀腺結節(jié)良惡性鑒別診斷價值的Meta分析

陳璟泰，侯令密，唐云輝，錢雙強，蒲虹羽，高硯春

根據(jù)報道，19%～68%的人存在甲狀腺結節(jié)［1］。甲狀腺結節(jié)是甲狀腺癌最常見的臨床表現(xiàn)，準確鑒別甲狀腺結節(jié)良惡性對于患者治療方式的選擇至關重要。彩超因無創(chuàng)、無電離輻射且價格低廉而被廣泛接受為甲狀腺結節(jié)的一線影像學檢查手段，但其診斷準確性常與醫(yī)生的經(jīng)驗、水平相關［2］。

計算機輔助診斷（computer aided diagnosis，CAD）技術是人工智能與現(xiàn)代醫(yī)學研究的熱點之一。近年來，隨著構建人工智能的技術進步，人們已經(jīng)開發(fā)了基于超聲的CAD系統(tǒng)，并被引入商用的超聲診斷軟件［3］，在乳腺和甲狀腺腫瘤檢查工作中，其有效性得到了初步驗證［4-5］。人工智能與超聲影像結合可簡化操作步驟、避免主觀差異性、節(jié)約醫(yī)師資源、縮短報告時間、提高診斷效率，具有廣闊的應用前景。

S-Detect是目前常用的一項針對甲狀腺結節(jié)的超聲CAD技術，通過前期數(shù)據(jù)學習及算法優(yōu)化，該技術可對甲狀腺結節(jié)的良性或惡性進行鑒別診斷。本研究廣泛納入國內外多篇文獻進行定量合成，旨在明確S-Detect對甲狀腺結節(jié)良惡性的鑒別診斷價值。

1 資料與方法

1.1 文獻納入與排除標準

1.1.1 文獻納入標準 （1）評估S-Detect診斷準確性的研究；（2）必須通過病理學檢查明確甲狀腺結節(jié)的良惡性；（3）應提供或可以計算出相應的診斷準確性的統(tǒng)計信息，包括真陽性（TP）、假陽性（FP）、假陰性（FN）、真陰性（TN）。

1.1.2 文獻排除標準 （1）研究沒有提供足夠的數(shù)據(jù)來計算TP、FP、FN和TN；（2）重復研究，低質量研究，信函，會議論文，病例報告，綜述；（3）與本研究主題無關。

1.2 文獻檢索策略 計算機檢索PubMed、EMBase、Web of Science、the Cochrane Library、萬方數(shù)據(jù)知識服務平臺、中國知網(wǎng)、維普網(wǎng)和中國生物醫(yī)學文獻服務系統(tǒng)，檢索時限為建庫至2021-01-06。中文檢索詞包括：甲狀腺、S-Detect、計算機輔助診斷。本研究搜索了相關主要出版物中的參考文獻，以確定其他符合條件的研究，并對最終被納入的研究所包含的參考文獻進行了審查，擴大了搜索范圍，以確定其他潛在的相關研究。英文檢索詞包括S-Detect，thyroid，computer aided diagnosis，Artificial Intelligence等。以PubMed為例，其文獻檢索策略見表1。

表1 PubMed文獻檢索策略Table 1 Search strategy used to identify studies about the value of S-Detect in differentially diagnosing thyroid nodules in PubMed database

1.3 資料提取與質量評價 由2名評價者根據(jù)文獻納入與排除標準獨立篩選文獻，確定最終納入研究的文獻。對于文獻檢索過程中出現(xiàn)的爭議，由第3名評價者與前2名評價者共同分析，得出一致的結論。最終，提取和錄入納入文獻的基本資料，包括第一作者、發(fā)表時間、國家、例數(shù)、年齡、性別、結節(jié)數(shù)目、探頭頻率、儀器、TP、FP、FN、TN。納入研究的方法學質量評價采用 QUADAS（Quality Assessment for Diagnostic Accuracy Studies）工具［6］。QUADAS工具共包括14項條目：每項條目以“是”“否”或“不清楚”進行評價。以上過程均由2名評價者按照標準獨立進行。

1.4 統(tǒng)計學方法 采用Meta-Disc 1.4和Stata 15軟件進行統(tǒng)計學分析。通過繪制集成受試者工作特征（SROC）曲線觀察圖形是否為“肩臂狀”，再通過計算Spearman秩相關系數(shù)判斷是否存在閾值效應。通過I2判斷研究的異質性大小，I2＜50%且P＞0.1時采用固定效應模型進行分析，否則采用隨機效應模型。統(tǒng)計指標為合并靈敏度、合并特異度、合并陽性似然比、合并陰性似然比、合并診斷比值比和受試者工作特征（ROC）曲線下面積（AUC）；檢驗水準α=0.05。采用“逐一排除法”進行敏感性分析；繪制Deek漏斗圖判斷發(fā)表偏倚，P＜0.10時表明存在發(fā)表偏倚。

2 結果

2.1 文獻檢索結果 共檢出相關文獻962篇，經(jīng)逐層篩選后，最終納入16篇文獻［5，7-21］、2 453例患者，其中 4 篇為中文文獻［7-10］、12 篇為英文文獻［5，11-21］。文獻篩選流程見圖1。納入文獻的基本特征見表2。根據(jù)QUADAS工具評價結果，納入文獻中評價為“是”的條目數(shù)均≥11項，可見納入文獻的質量較好，文獻質量評價結果見表3。

表2 納入文獻的基本特征Table 2 Basic characteristics of included studies

表3 納入文獻的質量評價結果Table 3 Quality assessment of included studies

圖1 文獻篩選流程圖Figure 1 Flowchart of literature screening

2.2 Meta分析結果 SROC平面散點圖未呈明顯“肩臂狀”，Spearman秩相關系數(shù)為0.193，P=0.474，提示各文獻間不存在由閾值效應引起的異質性。所有結局指標I2＞50%，故采用隨機效應模型進行Meta分析。Meta分析結果顯示，S-Detect鑒別診斷甲狀腺結節(jié)良惡性的合并靈敏度、合并特異度、合并陽性似然比、合并陰性似然比、合并診斷比值比、AUC分別為0.84〔95%CI（0.81，0.86），P=0.003 6〕、0.71〔95%CI（0.69，0.73），P＜0.000 1〕、3.31〔95%CI（2.45，4.47），P＜0.000 1〕、0.22〔95%CI（0.17，0.29），P=0.000 6〕、15.93〔95%CI（9.85，25.78），P＜0.000 1〕、0.89〔95%CI（0.84，0.94）〕。詳見圖 2～7。

圖2 S-Detect鑒別診斷甲狀腺結節(jié)良惡性的合并靈敏度Figure 2 Pooled sensitivity of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖3 S-Detect鑒別診斷甲狀腺結節(jié)良惡性的合并特異度Figure 3 Pooled specificity of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖4 S-Detect診斷甲狀腺結節(jié)良惡性的合并陽性似然比Figure 4 Pooled positive likelihood ratio of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖5 S-Detect診斷甲狀腺結節(jié)良惡性的合并陰性似然比Figure 5 Pooled negative likelihood ratio of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖6 S-Detect診斷甲狀腺結節(jié)良惡性的合并診斷比值比Figure 6 Pooled diagnostic odds ratio of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖7 S-Detect診斷甲狀腺結節(jié)良惡性的SROC曲線Figure 7 SROC curves of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

2.3 敏感性分析 逐一剔除單項研究后對其余研究重新進行Meta分析，結果顯示各結局指標合并效應量均未發(fā)生明顯變化，提示本研究結果穩(wěn)定、可靠。

2.4 發(fā)表偏倚 Deek漏斗圖基本對稱且趨近于垂直（圖8），P=0.38，提示無發(fā)表偏倚。

圖8 Deek漏斗圖Figure 8 Deek's funnel plot for assessing the publication bias of included studies

3 討論

近年來甲狀腺結節(jié)發(fā)病率逐年升高［22］，超聲檢查已被廣泛應用于甲狀腺結節(jié)的診斷。隨著醫(yī)學影像技術的發(fā)展，彈性成像、超聲造影及人工智能等新技術被更多地應用于甲狀腺疾病的輔助診斷。為加快診斷過程并減少觀察者之間的差異，目前已開發(fā)CAD系統(tǒng)以幫助放射科醫(yī)生對超聲圖像進行解釋，其中S-Detect是第一個可商購的甲狀腺超聲CAD系統(tǒng)［23］，目前其已在多個國家廣泛應用。為驗證S-Detect的臨床應用價值，本研究納入多篇文獻對其在區(qū)分甲狀腺結節(jié)良惡性方面的診斷性能進行了全面評估。

本研究廣泛收集了國內外關于S-Detect對甲狀腺結節(jié)良惡性鑒別診斷價值的文獻并進行了Meta分析，結果顯示，S-Detect鑒別診斷甲狀腺結節(jié)良惡性的合并靈敏度為0.84，合并特異度為0.71，表明有84%的惡性結節(jié)和71%的良性結節(jié)能被S-Detect鑒別；此外，合并陽性似然比為3.31，合并陰性似然比為0.22，AUC=0.89。診斷比值比是檢測診斷準確性的重要指標，其數(shù)值越大表明診斷準確性越高，本研究得出的合并診斷比值比為15.93，表明S-Detect的總體準確性較高。從以上結果可以看出，S-Detect鑒別診斷甲狀腺結節(jié)良惡性的靈敏度較佳，但特異度稍低，這可能與S-Detect主要是評價結節(jié)的形狀、方向、邊界、后方特征、回聲等，對腫塊內部的鈣化灶并不敏感，而腫瘤內部的微鈣化常是診斷甲狀腺癌的可靠征象；因此，單獨應用S-Detect鑒別診斷甲狀腺結節(jié)的良惡性可能會增加不必要的穿刺或手術，需要繼續(xù)改進算法，增加陰性病例學習數(shù)量以提高特異度及S-Detect的診斷效率，而S-Detect要替代經(jīng)驗豐富的影像科醫(yī)師還有很長的路要走。YOO等［17］研究表明，與單獨的影像科醫(yī)師相比，CAD系統(tǒng)輔助影像科醫(yī)師的診斷靈敏度更高，這意味著CAD系統(tǒng)使影像科醫(yī)師能夠檢測出更高比例的真正的惡性腫瘤，因此，S-Detect可用于彩超圖像的輔助判斷，為影像科醫(yī)師的決策提供參考。

本研究納入的文獻質量較高，且敏感性分析結果較穩(wěn)定，Deek漏斗圖提示無明顯發(fā)表偏倚，表明本研究分析結果穩(wěn)定、可信，但本研究也存在局限性：（1）僅納入了中、英文文獻，可能存在語言偏倚；（2）多個結局指標中存在明顯的異質性，可能與納入研究間的結節(jié)大小、疾病譜構成等有關；（3）S-Detect是對錄入的二維超聲圖像進行分析，采用不同標準切面時S-Detect診斷符合率有差異，存在一定誤差；（4）納入的研究多為單中心研究，且樣本量較小，研究結果可能具有局限性。

綜上所述，當前的證據(jù)顯示，S-Detect對甲狀腺結節(jié)良惡性的鑒別診斷價值較高，可以作為常規(guī)彩超檢查的有益補充；但是，目前尚不建議將其作為甲狀腺結節(jié)良惡性診斷的單一確定性檢測方法。此外，為進一步評估S-Detect的價值，還有必要在各個地區(qū)進行大量高質量、多中心、大樣本量前瞻性研究。

作者貢獻：陳璟泰、侯令密、高硯春進行文章的構思與研究的設計；陳璟泰、侯令密、唐云輝進行研究的實施與可行性分析；陳璟泰、唐云輝、蒲虹羽進行數(shù)據(jù)收集及整理；陳璟泰、錢雙強進行統(tǒng)計學處理，結果的分析與解釋；陳璟泰撰寫論文；侯令密進行論文的修訂；侯令密、高硯春負責文章的質量控制及審校；高硯春對文章整體負責，監(jiān)督管理。

本文無利益沖突。