人工智能在甲狀腺超聲診斷中的應用進展

肖丹丹，劉燕娜，章春泉

(南昌大學第二附屬醫院超聲科，南昌 330006)

21世紀以來甲狀腺疾病發生率及檢出率呈上升趨勢，甲狀腺超聲診斷是甲狀腺疾病篩查的主要輔助檢查，是診斷甲狀腺癌的首選檢查方法。臨床上診斷甲狀腺結節多采用甲狀腺觸診、超聲檢查、超聲引導下細針穿刺，或者結合超聲造影、彈性成像。然而，甲狀腺超聲分級版本多，存在局限性和特征權重不合理，在很大程度上影響了疾病的診斷；同時人工主觀判斷容易存在誤差，日常檢查時間不足、工作量大；超聲圖像偽像干擾，超聲診斷儀器性能不同造成圖像的差異；即使甲狀腺超聲造影、彈性成像可以一定程度提高診斷準確率，也往往會有經濟、時間方面的限制。近年來隨著科學技術發展，人工智能(AI)在醫療領域方面的應用發展迅速，使得醫生的工作負擔減輕、效率提升、診斷準確率提高[1]。本文就AI在甲狀腺超聲診斷中的應用和研究現狀作一綜述。

1 AI在醫療領域的應用

人工智能作為一門對人意識、思維過程進行模擬的新學科，目前已充分地融入人們工作與生活，影響并改變各行業、各領域。AI在醫療領域的應用廣泛，主要在疾病的診療與預測以及醫院信息化建設上[2-3]。在醫院信息化建設方面，AI對醫療大數據的存儲管理進行優化，如疾病數據庫的建立、智能化醫囑錄入、自動結構化電子病歷等；在疾病的預測方面，AI醫療監控個體健康信息，能夠及時發現急性病、高危病患者，對慢性病患者進行管理，對重大流行疾病進行防控；在疾病的診療方面，AI醫療最小化診斷測試成本，提高醫療服務水平，如胸部CT的AI系統在新冠肺炎篩選與診斷中的應用，在互聯網協助下使用機械臂完成手術的遠程醫療，基于多專科AI輔助診斷系統的互聯網云醫院[4]等。AI在醫療領域的應用將解決社區優質醫療資源不足的問題，改變醫療模式，推動醫學發展。AI影像診斷是AI在臨床發展速度最快、應用范圍最廣的領域，超聲診斷在影像診斷中具有實時動態、無創便捷的獨特性，AI輔助超聲診斷發展前景可觀，譬如結節自動判讀、智能超聲產檢、智能心臟超聲檢查等應用已經日漸成熟。

互聯網賦予大眾前所未有的信息資源及話語權，通過網絡渠道，社會主體對經濟政策、社會事務、公共服務、環境保護等公共議題直接提出訴求、期望和建議， “倒逼”政府部門采取措施和行動來回應民意，在客觀上促成了政府決策主體的多元化。大眾參與到決策制定中來，成為實質性的社會治理主體，社會公眾的知情權、監督權和表達權通過網絡渠道得以彰顯，這些挑戰驅動著政府決策模式進行創新。

2 AI在甲狀腺結節超聲診斷中的應用

目前在AI輔助甲狀腺超聲診斷中，AI在甲狀腺結節超聲診斷中的應用最為廣泛。甲狀腺惡性結節以乳頭狀癌占絕大多數，其次為濾泡腺癌、髓樣癌。甲狀腺良性結節包括結節性甲狀腺腫以及甲狀腺腺瘤。甲狀腺結節的超聲聲像與其病理組織學分類間存在一定的相關性[5-6]。病理為診斷甲狀腺結節的金標準，但術前甲狀腺細針穿刺存在著有創性、假陰性的不足，AI聯合超聲診斷具有無創便捷、提高診斷效能的特點，給甲狀腺結節術前檢查帶來前所未有的改變。

2.1 機器學習在甲狀腺結節超聲診斷中的應用

機器學習是AI研究的核心技術，早在20世紀90年代已經應用于醫學領域，主要被用于分類和預測[7]，首先提取超聲圖像特征，進行紋理分析、圖像分割，然后通過分類器，達到診斷的目的。

有研究[22]表明，超聲圖像上結節邊緣及暈環往往由結節本身包膜、周圍繞行血管、周邊實質受壓萎縮、炎性滲出構成而來，邊緣及暈環不規則是診斷濾泡性癌的一項重要指標。SEO等[23]對230例甲狀腺濾泡型腺瘤和77例濾泡癌的結節邊緣輪廓的特征分析，沿結節邊緣輪廓采樣，從原始圖像中提取一些非圖像化信息，輸入到數據集，訓練構建的模型在鑒別甲狀腺濾泡腺瘤和濾泡癌的超聲圖像的上準確率可達89.51%，相比之下，基于完整圖像構建的模型不僅準確率較低，而且圖像的識別率低。SHIN等[24]開發了基于支持向量機(SVM)和人工神經網絡(ANN)的模型，對超聲圖像進行分割，提取出96個影像學特征，以10個顯著特征作為最終輸入變量，研究比較了2種分類模型與2名經驗豐富超聲科醫生識別甲狀腺濾泡型腺瘤和濾泡癌的表現，ANN分類模型、SVM分類模型、人工識別的準確率分別為74.1%、69.0%、64.8%，2種分類模型在濾泡性腫瘤的鑒別中診斷效能均高于超聲科醫生，SVM分類模型的敏感性高于ANN分類模型，而ANN分類模型的準確性及特異性高于SVM分類模型。然而，甲狀腺濾泡癌的發病率較低，模型的構建和驗證難以在更大數據集上得到實現，大樣本量仍是AI在甲狀腺濾泡性腫瘤超聲診斷中進一步研究的關鍵。

術前甲狀腺細針穿刺可以準確診斷甲狀腺乳頭狀癌，相比之下，細胞學病理無法完全地區分濾泡性腺瘤與濾泡癌，即使術中快速冰凍切片也存在誤診，這些結節被歸類為甲狀腺濾泡性腫瘤，需要在術后進行組織學病理檢查，以及免疫組織化學檢測以輔助確診[20]。甲狀腺超聲可以對典型的濾泡性腺瘤做出診斷，但部分濾泡性腺瘤和濾泡性腺癌聲像重疊，無法鑒別，往往需結合淋巴結轉移情況綜合分析[21]。如何避免甲狀腺濾泡性腫瘤患者接受不必要的手術，做到術前明確診斷甲狀腺濾泡性腫瘤良惡性，一直是備受關注的問題，AI輔助診斷甲狀腺濾泡性腫瘤超聲診斷，為鑒別濾泡性腫瘤良惡性找到新的突破口。

2.2 CNN網絡模型在甲狀腺結節超聲診斷中的應用

③對刀：分別用1、2、3號刀試切端面和外圓，設置好刀偏表，并用“X磨損”留好0.3的余量，為粗、精車做好準備。

經典的CNN網絡模型主要有LeNet、AlexNet、GoogleNet、VGGNet、ResNet，這些網絡模型各有優劣，LeNet最早用于數字識別，對于復雜問題的處理不理想；2012年Alex開發的AlexNet，將CNN乃至深度學習再次推向研究熱潮，使得在大量復雜數據中學習成為可能。利用改進的AlexNet，左東奇等[12]提高了對甲狀腺結節內點狀鈣化特征提取的準確性，通過選取的8416張鈣化結節圖像和10844張無鈣化結節圖像驗證，準確率達86%,為識別惡性結節內鈣化與良性結節囊壁鈣化提供了有效分析方法。AlexNet通過增大網絡層數來獲得更好的訓練效果，但層數的增加會帶來負作用，而GoogleNet可高效地利用計算資源，在相同的計算量下提取到更多的特征，從而提升訓練結果。遲劍寧等[13]利用GoogleNet將圖像的深層次特征和淺層次紋理特征統一融合，對甲狀腺結節進行分類，獲得滿意的效果。SONG等[14]開發了一個基于GoogleNet的Inception-V3網絡模型深度學習方法，應用于甲狀腺結節超聲圖像的評估中，有助于臨床醫生識別良性結節，避免不必要的甲狀腺細針穿刺活檢。

2.3 AI在甲狀腺結節超聲診斷中的新進展

基于AI的甲狀腺結節超聲檢查，在結合甲狀腺影像報告及數據系統(TI-RADS)的基礎上取得了很好的成果，CHI等[15]首次嘗試將深度學習方法與人工TI-RADS評分系統相結合，建立一個甲狀腺結節的CAD系統，選用3942個結節作為訓練集，693個結節作為驗證集，提高評估性能，使分類準確率達98.29%，值得注意的是，該系統能夠消除超聲醫師主觀判斷誤差，為定期甲狀腺超聲檢查的患者帶來方便，然而該研究未建立在病理結果的基礎上，未對樣本的TI-RADS評分與其實際病理良惡性結果進一步探討。隨著AI的深入研究，針對甲狀腺結節的診斷系統軟件已經實現了商業轉化，首個商用甲狀腺超聲CAD系統S-Detect[16]能夠內置于超聲系統中，使其更便捷、實時地應用于臨床環境中。ZHANG等[17]采用RF分類器建立一個計算機輔助診斷系統，在一般超聲圖像特征的基礎上增加彈性成像的特征，彈性成像采用Asteria 4級評分，0—Ⅱ級被認為良性，Ⅲ—Ⅳ級被認為惡性，組成2個不同數據集(常規超聲特征的數據集、常規超聲特征附加彈性成像特征的數據集)，輸入到不同算法進行分析與參數微調，比較該診斷系統與訓練有素的超聲科醫生識別甲狀腺結節良惡性的表現，結果顯示，基于彈性成像和常規超聲特征的診斷系統準確率為85.7%，高于超聲醫師的準確率(83.3%)，同樣也優于僅基于常規超聲特征的診斷系統(準確率為84.0%)。盡管該診斷系統在附加彈性成像特征后表現出較高的準確率，但應用時需要手動判斷彈性評分，大大降低了其實用價值。目前，甲狀腺結節超聲圖像的特征提取已經實現了自動化，ZHOU等[18]提出一個高度自動化的深度學習影像組學的模型，能自動提取特征，在不同超聲儀器的應用下性能不受影響，研究者設計了一個簡單的觸發點，在超聲圖像上以觸發點為中心，切割出3個大小不同的方形感興趣區域，輸入到神經網絡中，由于這種多重感興趣區的方式不僅關注了每個結節內部，還對結節外部鄰近區進行了分析，從而使該模型得到更高的準確率。首個以超聲圖像為預訓練的線上遷移學習系統[19]，收集5602個甲狀腺結節(其中良性結節4291個，惡性結節1311個)建立模型，擁有比自然圖像預訓練的遷移學習模型更高得準確率(達98%)，可完整地融入到臨床甲狀腺超聲檢查的常規工作流程中。

計算機輔助診斷(CAD)應用于甲狀腺超聲，將超聲圖像中灰度值量化后提取特征，往往可能存在人為量化的不穩定、不準確性，而人工神經網絡在這方面有很大提高，它是機器學習中比較接近生物神經網絡特性的數學模型，是一種可被訓練從一組數據中歸納學習的AI形式，首先從原始數據中學習，然后在基礎上建立自身表達，重復這個過程，得到更高層次的表達，根據研究問題和數據的特征進行學習的調整。人工神經網絡包括CNN，CNN更具有歸納推理和決策能力，能夠從經驗中學習，是目前用于圖像處理的主要人工神經網絡工具。

3 AI在甲狀腺濾泡性腫瘤超聲診斷中的應用

社區醫養體系的構建需要依靠網絡系統的服務支持,當前,社區需要建立一套養老服務和老年醫療保健信息系統,便于進行實時的服務跟蹤、信息更新和上下機構之間的及時溝通．各類設施之間應建立上下級轉診機制,使得老年病人的治療過程連續而及時,也可以建立與上一級醫院或者綜合醫院的雙向互診,構建三級醫療網絡的發展體系．

早期的紋理分析應用在甲狀腺結節良惡性鑒別，ACHARYA等[8]用離散小波變換和紋理特征結合提取超聲圖像特征，通過AdaBoost分類器進行分類，開發出一個更客觀地檢測良惡性結節的系統。圖像分割是圖像識別基本步驟，MA等[9]首次采用卷積神經網絡(CNN)對甲狀腺結節進行分割，使用深度CNN從甲狀腺超聲圖像中自動分割甲狀腺結節，以圖像塊作為輸入，然后生成分割概率圖作為輸出，采用多視圖策略提高了模型的性能。提取出的有效特征，最終進入分類器分類。首個使用CNN對甲狀腺結節進行分類的模型[10]，將2個預先訓練的CNN與不同卷積層及全連接層融合，診斷甲狀腺結節的準確率達83.02%，顯著提高了檢測性能。LIU等[11]首次將深度學習遷移到超聲圖像中進行甲狀腺結節分類，將數據集上訓練好的網絡模型快速轉移到另外一個數據集上，保留原訓練模型中倒數第一層之前的所有參數，替換最后一層，將原模型遷移到甲狀腺超聲圖像上，生成深層次特征，經過測試表明，這種應用混合特征的方法顯著提高了分類精度。

4 AI在甲狀腺彌漫性病變超聲診斷中的應用

甲狀腺彌漫性病變主要有橋本氏甲狀腺炎(慢性淋巴細胞性甲狀腺炎)、彌漫性毒性甲狀腺腫、亞急性甲狀腺炎，目前AI主要應用于橋本氏甲狀腺炎的研究，橋本氏甲狀腺炎是最常見的甲狀腺彌漫性病變，橋本氏甲狀腺炎超聲圖像的血流信號上沒有明顯的特異性，主要表現在灰階圖像上的不同，對檢查者的主觀經驗依賴較大。

在研究橋本氏甲狀腺炎圖像的特征中，KOHILA等[25]利用鄰域灰度差分矩陣、統計特征矩陣和Laws紋理能量測度的紋理分析鑒別橋本甲狀腺炎超聲圖像，有效地避免了超聲診斷橋本氏甲狀腺炎的主觀性。ACHARYA等[26]開發了一個自動、實時、在線的CAD系統，利用甲狀腺實質灰階超聲特征構建分類器，為鑒別橋本氏甲狀腺炎患者圖像提供了客觀、可重復的方法。OMIOTEK[27]比較并選擇了最佳的橋本氏甲狀腺炎分類模型，建立了一個針對超聲疑難病例的高準確性分類器，分類靈敏度達88.1%。

在 “紡紗工藝設計與質量控制”課程實施案例教學法，要根據教學大綱和培養方案，要理論聯系實際，培養學生利用理論知識解決實際問題的能力。

5 發展與展望

AI作為一門對人意識、思維過程進行模擬的新學科，已經充分地融入人們生活的方方面面。經濟學家克勞斯·施瓦布[28]認為，以AI、萬物聯網、新材料發展、機器人技術等為代表的第四次工業革命，將改變人們生活方式，改變幾乎所有國家的所有行業。目前AI在甲狀腺疾病診斷中的應用已經日漸成熟，但對其的普及應用仍面臨著一些問題；首先，AI醫療的關鍵在于醫療數據平臺的建立，如何做好超聲圖像實時數據的有效存儲和管理，以便為構建診斷系統提供樣本量大、利用率高的數據資料[29]；其次，AI對甲狀腺結節超聲圖像識別分析已經能夠更準確、更迅速完成甲狀腺疾病的診斷，AI若能進一步應用于甲狀腺彌漫性病變之間的區分，或許能為合并彌漫性病變的甲狀腺病灶的診斷提供更多的幫助，另外，甲狀腺疾病病理亞分型的判別將是未來的一個探索和研究方向；同時，隨著AI輔助醫學診斷的廣泛應用和發展，相關法律法規也有待完善。醫療健康領域智能化發展已經成為一種趨勢[30]，AI在淺表超聲尤其是甲狀腺超聲診斷領域的應用將向更高準確性、更強適應性的方向發展。