超聲人工智能輔助診斷系統用于甲狀腺髓樣癌

江 柳,陳 蕾,張曉婷,劉 暢,梁振威,孫秀明,邵玉紅,陳路增

(北京大學第一醫院超聲醫學科,北京 100034)

80%以上甲狀腺癌為甲狀腺乳頭狀癌(papillary thyroid carcinoma, PTC),具有典型影像學表現[1]。甲狀腺髓樣癌(medullary thyroid carcinoma, MTC)起源于濾泡旁降鈣素分泌細胞,惡性程度較高,占所有甲狀腺癌的3%～5%,預后較差[2]。影像學主要依靠超聲檢出MTC,但惡性征象多不典型[3-5],且超聲具有操作者依賴性,診斷存在一定困難。人工智能(artificial intelligence, AI)計算機輔助診斷系統在影像學領域迅速發展,提高了影像學診斷的準確性;超聲甲狀腺AI輔助診斷系統(以下簡稱AI輔助診斷系統)用于鑒別診斷甲狀腺良、惡性結節具有較高價值[6-7]。本研究以PTC為對照,對比AI輔助診斷系統及不同年資超聲醫師診斷MTC的效果。

1 資料與方法

1.1 研究對象 回顧性分析2012年9月—2023年9月北京大學第一醫院51例MTC、59例PTC及60例良性甲狀腺結節患者。51例MTC中,男27例、女24例,年齡29～78歲、平均(50.4±12.1)歲;共63枚結節,平均最大徑(1.77±1.19)cm。59例PTC中,男25例、女34例,年齡22～65歲、平均(43.8±10.7)歲;共70枚結節,平均最大徑(1.13±0.64)cm。60例良性甲狀腺結節患者中,男16例、女44例,年齡21～83歲、平均(51.2±15.4)歲;共62枚結節,包括結節性甲狀腺腫33枚、濾泡性腺瘤29枚,平均最大徑(1.82±0.81)cm。納入標準：①經手術或活檢病理證實診斷;②超聲資料完整、圖像清晰;③臨床資料完整。本研究通過院倫理委員會批準(2021研491-001),檢查前所有患者均知情同意。

1.2 儀器與方法 采用Philips EPIQ7/GE Volume E8/Siemens ACUSON S2000或ABVS超聲診斷儀,7～14 MHz高頻線陣探頭掃查雙側乳腺并保存圖像。

1.2.1 超聲醫師評估 由3名不知曉患者臨床信息及病理結果的超聲科醫師(高、中及初級職稱醫師各1名,分別具有15、8和2年超聲診斷工作經驗)于醫學影像工作站中調取并分析甲狀腺聲像圖,按照我國甲狀腺影像報告和數據系統(Chinese thyroid imaging reporting and data system, C-TIRADS)2020版[8-9]標準對甲狀腺結節進行分類,包括C-TIRADS 2、3類(無惡性特征)、4a類(1個可疑惡性特征)、4b類(2個可疑惡性特征)、4c類(3～4個可疑惡性特征)和5類(5個可疑惡性特征)。

1.2.2 AI輔助診斷系統 采用德尚韻興AI-SONICTM超聲智能輔助診斷系統。由另1名具有10年以上工作經驗、不知曉病理結果及其他醫師分類結果的超聲科醫師將圖像導入AI輔助診斷系統,自動勾畫結節,經醫師進行復核及手動修改后,系統計算結節惡性概率值(范圍為0～1),以<0.40為偏良性、≥0.40且<0.60為可疑惡性、≥0.60為偏惡性,以0.40作為評估良、惡性結節的臨界值。對所有圖像均分析3次,取最高惡性概率值。

1.3 統計學分析 采用SPSS 22.0統計分析軟件。以病理結果為金標準,分別計算AI輔助診斷系統和3名醫師診斷甲狀腺惡性結節的敏感度、特異度、陽性預測值、陰性預測值及準確率。繪制受試者工作特征(receiver operating characteristic, ROC)曲線,計算曲線下面積(area under the curve, AUC),評估AI輔助診斷系統和3名醫師鑒別甲狀腺良、惡性結節的價值,并以DeLong檢驗進行比較。行多重比較時,以Bonferroni法校正P值,P<0.05為差異有統計學意義。

2 結果

2.1 診斷效能 AI輔助診斷系統自動識別195個甲狀腺結節,無漏診病例;C-TIRADS 4a類及以上、AI惡性概率值≥0.40時考慮甲狀腺結節存在惡性征象, AI輔助診斷系統診斷MTC和PTC的敏感度、特異度、陽性預測值、陰性預測值、準確率及AUC均低于3名醫師。高、中級職稱醫師與AI輔助診斷系統診斷MTC和PTC的AUC差異均有統計學意義(P均<0.01),初級職稱醫師與AI輔助診斷系統AUC差異均無統計學意義(MTC：P=0.093;PTC：P=0.513),見表1及圖1。

圖1 超聲甲狀腺AI輔助診斷系統及3名醫師診斷MTC及PTC的ROC曲線 A.MTC; B.PTC

表1 超聲甲狀腺AI輔助診斷系統及3名醫師診斷MTC和PTC的效能

AI輔助診斷系統診斷MTC的敏感度、特異度、陽性預測值、陰性預測值、準確率及AUC均低于其診斷PTC,但AUC差異無統計學意義(P=0.297),見表1。

2.2 誤診分析 63枚MTC結節中,AI輔助診斷系統提示54枚傾向惡性、9枚為良性;70枚PTC結節中,AI輔助診斷系統提示66枚傾向惡性、4枚為良性。AI輔助診斷系統誤診為良性結節的惡性概率值及3名醫師的C-TIRADS分類結果見表2、3。

表2 超聲甲狀腺AI輔助診斷系統誤診MTC為良性結節的惡性概率值及3名醫師C-TIRADS分類結果

表3 超聲甲狀腺AI輔助診斷系統誤診PTC為良性結節的惡性概率值及3名醫師C-TIRADS分類結果

AI輔助診斷系統和3名醫師均誤診為良性結節的MTC超聲表現為囊實性、偏低回聲,縱橫比<1,邊界清晰,結節內未見點狀強回聲(圖2);兩種方法均誤診為良性結節的PTC表現為甲狀腺雙葉多發結節,超聲呈實性、中等回聲,縱橫比<1,邊界清晰,結節內見粗大強回聲;其余同側結節術后病理為結節性甲狀腺腫,3名醫師均考慮為結節性甲狀腺腫并分類為C-TIRADS 3類。

圖2 甲狀腺AI輔助診斷系統診斷MTC A.患者男,43歲,MTC,AI輔助診斷系統及3名醫師均診斷為惡性結節; B.患者男,38歲,MTC,AI輔助診斷系統誤診為良性結節,3名醫師均診斷為C-TIRADS 3類

3 討論

近年來,AI診斷系統臨床應用日趨廣泛[10-11]。龔忠靜等[10]以AI-SONICTM評估195枚甲狀腺結節,結果顯示該系統對甲狀腺結節具有優于醫師的較高診斷價值。本研究采用AI輔助診斷系統,通過卷積神經網絡對甲狀腺結節超聲圖像進行深度學習,可自動檢測甲狀腺圖像并勾畫結節,快速分析結節特征并給出相應結節惡性概率值;但該系統診斷MTC和PTC的敏感度、特異度、陽性預測值、陰性預測值、準確率和AUC均低于3名醫師;高級職稱醫師診斷效能最高,中級職稱醫師次之,初級職稱醫師及AI殿后。本研究3名超聲醫師以基于我國國情的最新C-TIRADS[8-9]進行評估,惡性征象包括垂直位、實性、極低回聲、點狀強回聲、邊緣模糊,對MTC具有較高診斷效能[1,12],但其對甲狀腺惡性結節進行評分的標準之一為極低回聲,易將MTC風險低估1個等級,故本研究以C-TIRADS 4a類及以上為惡性結節,以提高醫師、尤其初級職稱醫師診斷甲狀腺惡性結節的效能;且如此雖可能導致特異度降低,但C-TIRADS根據4a類結節大小推薦相應的臨床決策,可避免臨床過度診治。

目前AI深度學習甲狀腺結節的研究仍缺乏少見病理類型大數據樣本。本研究AI輔助診斷系統診斷MTC的效能低于其診斷PTC而差異無統計學意義,與MTC惡性超聲特征不如PTC典型有關;3名超聲醫師根據C-TIRADS診斷MTC結節的效能也均低于診斷PTC,與MTC發病率低有關。進一步完善和更新大數據,有助于提高AI輔助診斷系統識別和診斷MTC的能力。

本組不同職稱超聲醫師間,經驗和診斷水平存在差異。AI輔助診斷系統將9枚MTC及4枚PTC誤診為良性結節,其中1枚MTC結節和1枚PTC結節3名醫師均診斷為C-TIRADS 3類,與超聲表現不典型有關;醫師1、2將另外8枚MTC結節均診斷為4a/4b類,醫師3診斷3枚為3類、5枚4a類;3名醫師均將其余3枚PTC診斷為4b/4c類結節。此外,本研究針對既往存儲的靜態聲像圖進行分析,圖像質量易受操作者主觀及超聲儀器影響;觀察動態實時圖像或可提高診斷率。

綜上所述,甲狀腺超聲AI輔助診斷系統診斷MTC效能較高,但仍需進一步完善及更新,以提高其對不典型甲狀腺結節的診斷效能。但本研究為單中心回顧性分析,樣本量有限,難以避免選擇性偏倚;未來結合彩色多普勒圖像有助于進一步提高狀腺超聲AI輔助診斷系統診斷MTC的能力。

利益沖突：全體作者聲明無利益沖突。

作者貢獻：江柳研究設計和實施、圖像和數據分析、撰寫和修改文章;陳蕾研究實施、圖像和數據分析、修改文章;張曉婷、劉暢、梁振威和孫秀明研究實施、圖像分析、修改文章;邵玉紅修改和審閱文章;陳路增研究設計、修改和審閱文章。