超聲新技術應用于甲狀腺結節診斷的研究進展

吳愛娣，姜 偉

1. 廣東醫科大學第一臨床醫學院，廣東 湛江 524023；

2. 廣東醫科大學附屬南山醫院（華中科技大學協和深圳醫院）超聲科，廣東 深圳 518052

20世紀70年代以來，甲狀腺癌的發病率呈穩步上升趨勢，其中中年女性的發病率增長最為顯著［1］。據相關統計顯示，在加拿大、美國等國家中，20～34歲女性中最常見的癌癥的是甲狀腺癌［2］。超聲作為甲狀腺疾病診斷的首選方式，從二維超聲逐漸發展到聯合彈性成像、超聲造影等新技術的多模態超聲，各種檢查技術互相補充，共同致力于準確診斷甲狀腺結節的性質。大數據時代推動人工智能的發展，在如何利用各種新技術優化診療過程中成為了研究熱點，本文擬歸納總結超聲新技術（彈性成像、超聲造影、人工智能）在甲狀腺結節診斷中的應用及研究進展。

1 彈性成像

彈性成像可以反映組織的軟硬度，目前這一技術已廣泛應用于乳腺占位性病變、肝臟纖維化等疾病診斷中［3-4］。一般來說，與相鄰周邊正常組織相比，甲狀腺癌的硬度較高，并且結節越硬提示惡性的可能性越大。目前臨床上用于輔助甲狀腺結節診斷的超聲彈性主要有兩種：應變式彈性成像和剪切波彈性成像（shear wave elastography，SWE）。一項應變式彈性成像的meta分析［5］顯示應變式彈性成像診斷甲狀腺惡性結節的靈敏度為92%，特異度為90%。但由于應變式變彈性成像受操作者主觀性影響較大，筆者認為可以定量評估的SWE更具有實用性。

1.1 SWE的原理

當對物體施加壓力時，受壓對象可以產生形變。超聲探頭可以發射脈沖波，使得感興趣區（即觀察對象）產生剪切波，超聲探頭捕捉到反射回來的剪切波信號后換算成剪切波速度［6］。組織抵抗形變能力的物理量用楊氏彈性模量（E）來表示，楊氏彈性模量的計算方法為，E=3ρCs2（ρ為組織密度，Cs為組織中剪切波的傳播速度）。當測得剪切波速度越高，E值越高，組織抵抗形變能力越強，反映組織越硬。因此，對于位置較深、體積較小、甲狀腺觸診無法觸摸到的結節，使用SWE時可以更直觀地反映結節的硬度。

1.2 SWE與甲狀腺結節診斷

目前對于甲狀腺結節的評估多使用甲狀腺影像報告和數據系統（Thyroid Imaging Reporting and Data System，TI-RADS）分類標準，對于TI-RADS 4類以上的結節，建議進行細針抽吸活組織檢查（fine-needle aspiration biopsy，FNAB）。趙彤等［7］研究報道，對230個甲狀腺結節在二維超聲基礎上應用SWE后，結果顯示二維超聲聯合SWE可以降低TI-RADS 4類結節的FNAB率（從28.7%下降到15.7%），診斷效能由原來的79.6%（183/230）提高到86.1%（198/230）。SWVmax鑒別TI-RADS 4類甲狀腺結節良惡性的最佳診斷界值為3.53 m/s（E=37.3 kPa）。SWE除了用于甲狀腺結節的診斷，有相關研究［8］顯示，SWE也可以預測甲狀腺癌淋巴結轉移，其中以Emax及結節與周圍正常組織的彈性比值預測效能最高，隨著兩者數值越大，甲狀腺惡性結節合并中央區淋巴結轉移可能性越高。Moraes等［9］進行的一項前瞻性研究顯示，對于FNAB后仍為不確定性的結節，SWE相關參數（結節和甲狀腺前肌肉之間的平均變形比率）可以進一步提示惡性結節的風險概率，用于術前評估，認為當結節和甲狀腺前肌肉之間的平均變形比率＞1.53時惡性腫瘤的概率較高（曲線下面積為0.98）。目前尚未有統一的彈性界值診斷甲狀腺結節的良惡性，但綜上可知，綜合應用各項彈性指標依舊可為我們提供參考信息。

2 超聲造影

超聲造影是在外周靜脈注入超聲造影劑后再進行超聲探查，簡單方便、禁忌證少。通過觀察造影劑流動可以看到血管的粗細、走行及與腫瘤的關系。目前普遍認為，惡性腫瘤的生長離不開血管供應的營養物質，且腫瘤新生血管與血管內皮生長因子關系密切。SUN等［10］認為新血管的形成對甲狀腺癌的局部腫瘤生長、侵襲和遠處轉移非常重要。據報道，超聲造影診斷甲狀腺癌準確度為80%左右，主要表現為不均勻性低增強、環狀增強，與二維超聲相比超聲造影后顯示的結節范圍較小等，而良性甲狀腺結節則多表現為彌漫性均勻等增強或高增強［11］。與Zhang等［12］的研究結果部分相似，低增強為判斷良惡性的較好指標，診斷結節良惡性的準確度約達89%。分析造成上述結果差異性的原因可能在于：① 當結節太小時，圖像對比度不夠，病灶信息獲取不足；② 成像結果受操作者手法經驗、機器調節、病灶位置等影響較大。當發現甲狀腺結節時，除了判斷其良惡性，同時還需關注頸部周圍淋巴結的情況。張艷等［13］報道，通過頸部淋巴管造影，發現甲狀腺癌轉移性淋巴結的效能比常規超聲要高（靈敏度：91.7% vs 75.0%，準確度90.0%vs 80.0%）。同時，對于甲狀腺惡性結節術后患者，也需要了解病灶復發情況。為此，有學者［14］分析應用超聲造影所得的相關參數，發現在287個甲狀腺癌的造影結果中，表現為隨著部分增強強度增加，癌癥復發風險加大。其中高增強灶（結節中局限性高增強伴低增強）多呈高復發風險，而低增強病灶為低復發風險。

3 人工智能（artificial intelligence，AI）

3.1 AI與甲狀腺結節

人工智能是一門新技術科學，包括訓練集、測驗集和驗證集，AI對甲狀腺結節診斷的一般步驟包括：首先，模型對每幅超聲圖像進行優化預處理，并從中選擇感興趣區，然后應用特征提取方法訓練，對甲狀腺結節進行分類，最后給出結節是良性或惡性的結果［15］。由此可知，當訓練集數據量越多，模型學習并進行優化的程度越好，其可信度就越高。據Chen等［16］發布的癌癥調查顯示，甲狀腺癌已成為中國女性常見的癌癥之一，新發女性甲狀腺癌病例在中國15～59歲女性中排名可達到第三。甲狀腺結節的高發病率使得有足夠多的醫學病例作為模型的訓練集。因此，AI醫療診斷應用與甲狀腺結節的診斷迅速契合。

3.2 甲狀腺結節圖像分割

通過深度學習可以對各種醫學圖像進行識別、分割，而人工或半人工地勾勒出感興趣區是一項耗時費力的艱巨任務。據文獻［17］介紹，除了經典分割方法，過去已提出了諸如傳統基于圖形的方法、變形模型以及基于學習的方法等，但是分割效果欠佳。深度學習技術出現后，人們提出了一些基于深度學習的卷積神經網絡醫學圖像分割方法，其效能明顯優于前面幾種方法［18］。目前圖像分割的AI學習是以醫師的經驗為標準，當結節邊界不清時，其分割具有很大的差異性。有學者［19］運用顯示全局信息的模型和顯示局部信息的模型構建一個新的模型對甲狀腺超聲圖像進行分割，結果顯示新模型的性能較單一模型好。

3.3 AI應用于甲狀腺結節診斷

目前AI對甲狀腺結節的診斷主要為良惡性鑒別和TI-RADS分類。根據最近發布的一些研究結果，超聲圖像上AI診斷甲狀腺結節的準確度已達到85%～90%［20-21］。有研究［22］報道AI智能學習基于美國放射學會（American College of Radiology，ACR）TI-RADS，可以規范化提取甲狀腺結節圖片的特征進行人工智能深度學習。韓曉濤等［23］研究顯示，計算機對TI-RADS中的5個指標（成分、回聲、邊界、縱橫比、鈣化）進行量化處理，應用統計學方法建立可視化模型，可以100%正確識別結節，為臨床提供參考意見。研究者應用AI去修訂ACR TI-RADS甲狀腺結節風險分類，得出AI TI-RADS［24］，它采用了新的賦值方法，研究結果表明，不管是與專家組或非專家組相比，AI TI-RADS的特異性都是最高的。SUN等［25］在甲狀腺二維圖像特征的基礎上應用遷移學習的方法，獲得AI模型，然后與有豐富經驗的主治醫師相比，結果顯示，這一系統的準確度、靈敏度和特異度均高于后者，分別為96.4%vs 93.1%、83.1% vs 67.2%和92.5% vs 87.1%。Zhao等［26］研究顯示，應用二維超聲聯合彈性成像訓練得到AI診斷模型，與單一應用二維數據訓練集得到的模型相比，驗證數據集中不必要的FNAB率從30.0%下降到4.5%，測試數據集中的不必要的FNAB率從37.7%下降到4.7%。由此看來，AI客觀性診斷比較有應用前景。

但AI深度學習也存在著一些局限性：① 通過深度學習獲得的模型面臨著過擬合問題，需要大樣本訓練集，因為樣本量小的訓練與過擬合的高風險相關［27］；② 深度學習有以下幾種類型，如LeNet、Alexnet、GoogLeNet、VGG、Deep Residual Learning等，目前已有關于上述部分模型的相關應用研究，但具體哪種模型更適合于甲狀腺結節圖像訓練尚未達成一致［28-29］；③ AI對甲狀腺結節的檢出效能受圖像清晰度的影響，此外，它的判斷是在靜態圖片上進行的。

4 結語

各種新式超聲技術的應用發揮各自優勢，彌補了傳統超聲的不足，為診斷甲狀腺結節提供了更全面、詳細的信息。對于一些觸診不到的深部病灶，彈性成像可以方便、快速地提供硬度信息；超聲造影能夠清晰地顯示病灶內部及周圍血管情況；基于大數據的AI具有客觀、快捷、準確的優點，其強大的圖像處理能力對醫學影像診斷具有極大的幫助。將三者聯合應用得到的新式多模態AI更能全面地對甲狀腺結節作出快速準確判斷，對年輕醫師來說是一個得力助手，對經驗豐富的醫師來說也是一種補充診斷的方法。同時，構建多中心、多模態的臨床數據集也有利于綜合診斷疾病，為臨床治療構建規范化流程提供參考。總之，只有全面綜合地利用各項技術，才能給甲狀腺癌患者制訂合理、規范化的治療方案。