深度學習在甲狀腺結節超聲診斷中的研究進展

摘要：甲狀腺結節在人群中較為常見，其評價主要依據甲狀腺影像報告和數據系統。超聲檢查中甲狀腺結節診斷的準確性與超聲醫生的檢查技能、臨床經驗和思考分析能力密切相關。近年來，甲狀腺癌的發病率迅速上升，如何快速有效地提高我國甲狀腺結節的術前診斷能力已成為一個亟待解決的問題。深度學習作為人工智能領域的一項新技術，逐漸應用于醫學影像領域，并在甲狀腺超聲診斷中倍受關注。本文將從甲狀腺結節超聲圖像分割、結節良惡性鑒別、結節組織病理學預測以及頸部淋巴結智能評估等方面來介紹深度學習在甲狀腺結節超聲診斷中的研究進展及應用價值，旨在通過對既往相關研究的歸納總結，輔助醫師深入了解該領域的發展現狀，探討新的研究方向，以期未來能為甲狀腺結節的臨床診療決策提供更準確，更全面的參考信息。

關鍵詞：深度學習；超聲診斷；甲狀腺結節；人工智能

Research progress of deep learning in ultrasound diagnosis of thyroid nodules

YAO Qiaoli1， YE Jingjing1， GAO Cuixia2

1The First Clinical Medical College of Gansu University of Chinese Medicine， Lanzhou 730000， China; 2Department of Ultrasound， Gansu Provincial Hospital， Lanzhou 730000， China

Abstract： Thyroid nodules are common in the population， and their evaluation is mainly based on thyroid Imaging reporting and data system. The accuracy of thyroid nodule diagnosis in ultrasound examination is closely related to the examination skills， clinical experience and thinking and analysis ability of sonographers. In recent years， the incidence of thyroid cancer has increased rapidly. How to improve the ability of preoperative diagnosis of thyroid nodules quickly and effectively in our country has become an urgent problem to be solved. As a new technology in the field of artificial intelligence， deep learning has been gradually applied in the field of medical imaging， and has attracted much attention in thyroid ultrasound diagnosis. This paper will introduce the research progress and application value of deep learning in ultrasound diagnosis of thyroid nodules from the aspects of ultrasound image segmentation of thyroid nodules， differentiation of benign and malignant nodules， histopathological prediction of nodules， and intelligent evaluation of cervical lymph nodes. The purpose of this review is to summarize the previous relevant studies to assist physicians to deeply understand the development status of this field and explore new research directions， so as to provide more accurate and comprehensive reference information for the clinical diagnosis and treatment of thyroid nodules in the future.

Keywords： deep learning; ultrasound; thyroid nodules; artificial intelligence

甲狀腺結節定義為甲狀腺內由甲狀腺細胞的異常、局灶性生長引起的離散病變［1］。隨著人們體檢意識的增強和超聲設備的快速發展，結節的檢出率顯著提高，采用高分辨率超聲時，檢出率可高達20%～76%，其中惡性結節即甲狀腺癌占5%～15%［2］。根據《2020年全球癌癥統計報告》，甲狀腺癌新增病例數達到58.6萬例，在所有惡性腫瘤中位列第9［3］。超聲是診斷甲狀腺結節的重要影像學手段，所有已知或可疑的甲狀腺結節應首選超聲檢查［4］。通過超聲設備獲得甲狀腺結節的圖像后，超聲科醫生對圖像進行分析，并描述結節的特征，根據結節的可疑惡性特征，參考甲狀腺影像報告和數據系統（TIRADS）［5-8］對結節進行分級， 并評估其惡性風險，以確定結節的后續治療方式。由于超聲診斷對超聲醫師的主觀依賴性較大，盡管有成熟的TIRADS指南，不同水平的醫療機構、不同資歷的超聲醫師在診斷上仍存在偏差，診斷的準確性和一致性面臨挑戰。尤其對于部分基層醫療機構和初級醫師，可能存在漏診、誤診和過度診斷。研究表明，甲狀腺癌在世界各國都存在過度診斷，韓國的過度診斷率為93%，中國為87%［9］。此外，甲狀腺癌發病率的上升也增加了超聲醫師的工作量。因此迫切需要找到一種方法，能使超聲醫師以更高的效率實現更準確的診斷，平衡漏診和過度診斷，減輕工作負擔。

基于人工智能的甲狀腺超聲圖像深度學習（DL）方法應運而生。自2013年人工智能DL被評為十大突破性技術之一，越來越多的研究將DL技術應用于醫學領域，以解決相應的臨床問題，并在腎臟［10］、皮膚［11］、眼科［12］、兒科［13］、甲狀腺［14］和放射學［15］等領域取得了許多成果。DL算法具有高精度、自適應性、端到端學習、多任務學習、數據增強和網絡結構多樣性等多重優勢，這些優勢使得DL算法在醫學圖像識別領域得到廣泛應用，并在甲狀腺結節超聲診斷中不斷創造新的高度［16-19］。本文將圍繞DL在甲狀腺結節超聲診斷中的研究進展和應用價值進行綜述。

1" 甲狀腺結節的超聲診斷現狀

超聲作為一種方便、靈活、安全、無輻射的診斷工具，是甲狀腺影像學檢查的首選方法［20］。常規超聲是最常見的甲狀腺結節檢查技術，它可以提供甲狀腺結節的大小、數量、內部回聲、邊緣、縱橫比、鈣化、血供、包膜完整性和頸部淋巴結轉移等信息，其中部分征象有助于區分甲狀腺結節的良惡性及預測惡性的風險（圖1）。但常規超聲有其局限性，如對于局灶性病變，它不能真正反映病變的微循環灌注。近年來，隨著超聲技術的快速發展，彈性超聲、超聲造影、介入超聲以及大數據時代下快速發展的甲狀腺超聲智能輔助診斷技術的出現，在一定程度上彌補了常規超聲的不足。彈性超聲主要用于評價組織的硬度，甲狀腺癌比相鄰正常組織更硬，結節越硬，惡性的可能性越大。超聲造影則通過顯示組織或病變的血管灌注情況來區分甲狀腺結節的良惡性。根據異常增強區域，可以確定甲狀腺結節的細針穿刺點，有助于提高細針穿刺陽性率。介入超聲可以在非手術前提下通過超聲引導對甲狀腺結節進行穿刺活檢來獲取病灶內的細胞或組織，通過病理學檢查明確甲狀腺結節的性質。在臨床實踐中，超聲引導下細針穿刺常作為甲狀腺結節的術前病理診斷方法。此外，人工智能可以為超聲醫師診斷甲狀腺結節提供第二種意見，幫助他們發現結節的位置、勾畫結節輪廓、鑒別結節良惡性、判斷甲狀腺癌的侵襲性和預測頸部淋巴結轉移等，提高了超聲醫生診斷的準確性和一致性，減少了人為因素造成的診斷偏差。這些超聲新技術作為鑒別甲狀腺結節良惡性的輔助手段，與常規超聲相輔相成，為臨床醫生做出診斷和治療決策提供了更全面的信息。

2" DL

DL是機器學習（ML）的一個子領域，與經典ML的人工特征提取不同，DL具有表示學習的能力，即自動學習特征［21］。DL的概念是在2006年提出的，但DL源于20世紀50年代對人工神經網絡的研究，其目的是建立和模擬人腦用于分析學習的神經網絡，并通過模仿人腦的機制來解釋數據。DL是對原始數據進行多步特征變換得到的特征表示，其“深度”是指對原始數據進行非線性特征變換的次數，如用于特征提取的多層網絡結構。DL通過構建具有一定“深度”的模型，然后自動學習良好的特征表示，從而提高了整個ML系統的準確性和效率，極大地拓展了人工智能的應用領域。

DL的良好應用效果吸引越來越多的領域使用該技術進行數據挖掘和分析，在醫學領域，特別是醫學圖像研究，掀起了研究熱潮。DL憑借自動學習圖像深度特征和特征判別能力，迅速成為了醫學圖像分析研究熱點，并取得了突出的成果［22， 23］。其中，卷積神經網絡（CNN）是這些研究中最常用的DL架構（圖2），CNN是一種具有深度結構和卷積計算的前饋神經網絡，網絡中的神經元可以響應周圍的神經元處理這些大型醫學圖像，進而完成圖像分割、目標檢測和圖像分類等任務。

3nbsp; DL在甲狀腺結節超聲智能診斷中的應用

3.1" 甲狀腺結節超聲圖像分割

甲狀腺結節分割目的是對圖像中不同物體進行勾畫和分離，從而得到結節形狀和邊界。分割是診斷甲狀腺結節的前提，對進一步分析甲狀腺結節超聲圖像及后續判斷甲狀腺結節性質至關重要。目前，甲狀腺結節分割方法包括4種［24］。 其中，基于輪廓和形狀的方法和基于區域的方法實現簡單，但需要手工設置參數，具有局限性。傳統的ML方法需要專業醫生對圖像進行分割，費時費力，且不可避免地存在主觀偏差。隨著DL的發展，特別是CNN的出現，越來越多的基于DL的分割方法被應用于醫學圖像分割領域［25］。CNN在提取高層語義信息方面具有非常強大的能力，在醫學圖像分割領域具有出色的適應性。將該技術應用于甲狀腺結節分割，在很大程度上可以提高甲狀腺結節診斷效率和準確性［26］。有學者提出一種具有擴張卷積層的多輸出CNN算法，用于分割B型超聲掃描中的甲狀腺結節、結節內的囊性成分和正常甲狀腺。所提出的算法平均Dice系數為0.76，該算法的應用能有效地減少定位時間、改進工作流程和協助專業知識有限的超聲醫師進行后續診斷［27］。有研究提出一種標記引導的甲狀腺結節超聲深度網絡分割模型，用于結節的圖像分割。該模型的分割結果與人工繪制的結節非常接近，分割精度高達97.85%。在訓練數據較小的情況下，顯著提高結節的分割精度，為臨床診療提供更精確的參考［28］。有研究提出一種包括區域路徑和形狀路徑的雙路徑分割網絡TNSNet。TNSNet采用DeepLabV3+作為骨干，并在2條路徑之間插入軟形狀監督塊，該方法測試結果準確性為95.81%，Dice相似系數為85.33%，表明該網絡能夠準確實現超聲圖像上甲狀腺結節的自動分割。此外，此研究表明該網絡與傳統的基于DL的分割方法相比具有更高的分割精度和結節輪廓預測能力，展示了其在臨床應用中準確分割結節的潛力［29］。

3.2" 甲狀腺結節良惡性鑒別

DL輔助診斷甲狀腺結節良惡性是目前研究熱點。而且隨著DL技術在甲狀腺結節輔助診斷研究中的廣泛應用，越來越豐富的甲狀腺結節原始超聲輸入數據被應用于DL。從單一灰度圖像到原始射頻信號（RF）和多模態超聲圖像、從靜態超聲圖像到動態超聲視頻，它們為甲狀腺結節的良惡性的鑒別提供了越來越全面的信息。其中，基于二維超聲靜態圖像的DL輔助診斷甲狀腺結節是以往研究中最受關注的方向，而且取得了不錯的成就。有學者利用YOLOv2神經網絡進行DL，建立了自動圖像識別和診斷系統，并比較了所建立的系統和超聲醫生在276例甲狀腺結節患者超聲圖像中診斷良惡性甲狀腺結節方面的表現。結果顯示兩者具有相當的靈敏度和準確性，但DL系統的AUC和特異性均高于超聲醫生，表明該人工智能DL診斷系統可以為超聲醫生診斷良惡性甲狀腺結節提供良好的輔助［30］。有學者首次提出將兩種不同卷積層和全連接層的預訓練CNN融合來進行甲狀腺結節診斷的方法，結果顯示兩種模型的融合能夠顯著提高診斷性能，準確率達到83.02%，表明該方法具有潛在的臨床應用價值［31］。有研究將基于注意力的特征聚合網絡與深度神經網絡相結合，提出了一種用于甲狀腺癌診斷的新結構，所提出的CNN結構利用注意力網絡對多張超聲圖像中提取的特征進行聚合，從而實現在一次檢測中能基于多張超聲圖像對甲狀腺結節良惡性進行分類的能力。該方法提高了通過超聲的不同角度來識別惡性甲狀腺結節的能力，在甲狀腺結節的超聲診斷中具有與最先進的方法相媲美的性能［16］。DL還可以通過輔助超聲判斷結節的成分來進一步提高甲狀腺結節的診斷準確性。有學者基于DL框架進行了一項多中心的甲狀腺結節成分識別和良惡性結節判斷研究。通過融合惡性分類器和成分分類器，實現了實性和非實性甲狀腺結節的良惡性診斷。該研究中，DL模型鑒別甲狀腺實性結節良惡性AUC均大于0.91。在測試集中，DL模型Inception-ResNet表現優于有經驗的超聲醫生［32］。

考慮到原始射頻信號RF通過圖像重建過程轉化為超聲圖像需要進行一系列的技術操作，這些操作可能導致射頻信號攜帶的詳細信息在超聲成像前丟失或失真，從而限制了對甲狀腺結節的診斷。有研究開發了一種將超聲圖像和射頻信號攜帶的信息相結合來診斷甲狀腺結節的DL模型IF-JCNN［17］。IF-JCNN有2個分支神經網絡，一個基于VGG-16構建用于從超聲圖像中提取特征，另一個采用EEGNet模型對RF信號進行處理，將2個CNN提取的深度特征進行融合處理，最后輸出診斷結果。實驗結果表明，結合了RF和超聲圖像構建的IF-JCNN模型的準確性、敏感性、特異性和AUC分別為89.6%、88.5%、91.0%和95.6%，均優于僅使用超聲圖像構建的模型（準確性82.2%、敏感性79.2%、特異性86.6%、AUC=0.901），特別是RF參與后敏感性提高9.3%，可反過來驗證超聲圖像可能丟失甲狀腺結節的部分信息，而RF可以補充丟失的信息。該研究表明，與僅使用超聲圖像相比，基于超聲圖像和射頻信號所攜帶的信息開發的CNN模型在診斷甲狀腺結節時，具有更高的診斷性能，是一種很有希望的輔助甲狀腺結節診斷的工具。AI技術發展對甲狀腺超聲圖像素材的多樣性也提出了更高的要求，除了二維超聲圖像和射頻信號，多模態超聲圖像也可應用于DL方法［18］，有研究提出了一種將常規超聲圖像和彈性超聲圖像分別提取特征并融合的方法，結果表明該方法的準確率為92.4%，優于其他僅使用單一數據源的方法［33］。常規超聲圖像具有更高的靈敏度，彈性超聲圖像具有更高的特異性，兩者優勢的結合帶來了更好的性能提升。在靜態超聲圖像DL的基礎上，動態AI由于可多角度、多斷面對結節進行實時動態分析的優勢，也被用于提高甲狀腺結節診斷準確性的研究中。有研究開展基于動態AI超聲智能診斷系統的甲狀腺結節良惡性識別研究。動態AI采用DL技術，基于CNN建立甲狀腺結節良惡性的人工智能輔助診斷模型，具有較高的診斷性能，診斷甲狀腺結節的準確性、特異性和敏感性分別為89.97%、83.20%和92.21%［19］。另一項研究中，動態 AI對橋本甲狀腺炎患者的惡性和良性甲狀腺結節也有較高的診斷價值，其準確性、特異性和敏感性分別達到88.06%、80.19%和90.68%［34］。由于目前大多數DL研究沒有提供關于分類過程的推理，為了提高臨床應用預測模型的可信度，有研究提出了一種多屬性注意網絡DL框架，該框架提供可解釋預測，更好地滿足臨床工作的需要［35］。

3.3" 甲狀腺結節組織病理學預測

根據腫瘤來源和分化程度，甲狀腺癌可細分為不同病理類型。盡早明確甲狀腺腫瘤病理類型對患者進一步治療至關重要。因此，為滿足臨床工作中精準診療需要，基于DL的甲狀腺結節組織病理學預測智能診斷系統隨之出現，它是在甲狀腺結節分類方法的基礎上發展而來的更加精確的輔助工具。有研究使用遷移學習對3個CNN模型InceptionV3、ResNe101和VGG19進行微調，從812例患者的結節樣本中提取7360張圖像，其中甲狀腺乳頭狀癌（PTC）組1744張，濾泡型PTC（FVPTC）組852張，FTC組568張，Hurthle細胞癌（HCC）組152張，良性組4044張，以患者的組織學病理結果和良性結節患者的臨床資料為金標準。結果顯示CNN對各種病理類型惡性腫瘤的診斷準確率：PTC、FVPTC、FTC、HCC的最高準確率分別為81.4%、74.6%、72.7%、66.7%，表明CNN的診斷性能普遍超過醫生，可以幫助臨床醫生更精確地分類不同類型的甲狀腺癌［36］。有學者提出第一個術前區分FTC與濾泡腺瘤DL模型FThyNet，該模型預測FTC的AUC為89.0%，外部驗證組AUC超過80.0%，預測FTC的有效性較高。而且在診斷浸潤性FTC方面表現突出（AUCgt;0.9），明顯高于超聲醫生（AUC=0.561）［37］。目前，利用AI智能診斷系統對甲狀腺癌的特定病理亞型進行診斷的研究還比較缺乏，尤其是FTC。本研究填補了FTC與濾泡腺瘤在術前預測模型上的空白，也為改變甲狀腺濾泡腫瘤傳統治療模式提供了新希望。

3.4" 預測甲狀腺癌淋巴結轉移（LNM）狀態

甲狀腺癌LNM術前評估對外科醫生決定手術治療方式非常重要，但術前超聲檢查對轉移性淋巴結診斷敏感性較低。隨著DL蓬勃發展，DL被廣泛用于輔助甲狀腺癌診斷。在預測甲狀腺癌LNM狀態方面，越來越多的研究開始使用DL進行相關研究。有學者進行了利用DL診斷轉移性淋巴結的初步研究，數據集為812張頸部淋巴結超聲圖像，模型的準確性達到了83.0%［38］。有學者采用遷移學習方法先對DL模型進行預訓練，然后進一步學習淋巴結超聲檢查圖像。所得內、外部測試集的AUC均大于0.90［39］。雖然這些研究取得了不錯的結果，但由于只依靠了B型超聲圖像，僅能提供有限的信息。多種超聲模式的結合可以獲取更全面的信息，更好地預測甲狀腺癌LNM狀態。有研究開發了一種基于Resnet50的多模態模型，用于預測PTC中的LNM。DL模型模擬人類的診斷過程，并利用了來自PTC患者的3種超聲檢查類型（B型超聲、對比增強超聲和頸部LNM超聲）的圖像數據。結果表明，三模態DL模型對預測PTC的LNM狀態有較好的效果，準確率為80.65%，靈敏度為80.65%，特異性為82.26%，AUC為0.831。其預測性能高于單獨的B型超聲（準確率69.00%、敏感性70.00%、特異性73.00%、AUC=0.720）。此外，該研究還開發了一個熱圖，以闡明模型的感興趣區，這可以增強被視為“黑箱”方法的DL模型的可解釋性［40］。目前大多數DL算法的研究只利用醫學圖像，而忽略臨床背景。但在臨床診療中，臨床醫生是基于醫學圖像、患者病史和大量臨床檢查數據的結合來進行臨床決策。因此，在這些研究中添加臨床數據，可使這些算法獲得更好的性能。有學者將臨床記錄、B型超聲圖像和彩色多普勒血流成像圖像集成到DL算法中，開發深度多模態學習網絡來預測原發性甲狀腺癌患者LNM，并提出了一種定量評估3種模式在預測LNM中的貢獻水平的新方法，結果顯示，模型在2個獨立驗證集上的平均AUC為0.973，平均F1得分為0.888，均明顯高于3個單一模態網絡［41］。有研究結合DL與原發性甲狀腺癌的臨床變量（如年齡、性別、腫瘤最大尺寸）和術前超聲（B超、彩色多普勒血流成像），建立了具有臨床優勢的自動預測頸部LNM的DL模型，獲得比超聲醫生更高的診斷性能。該研究表明將臨床參數和超聲圖像結合開發DL模型來預測甲狀腺癌患者頸部LNM的方法是可行的，該整合模型有很大潛力作為輔助評估甲狀腺癌頸部LNM狀態的有力工具，以促進臨床決策［42］。

4" DL的不足和展望

雖然DL的相關研究已經相當成功，但人為無法解釋的“黑箱”問題仍然是研究的重點，智能信息化帶來的信息安全、責任分工等問題仍然需要妥善處理。雖然一些研究中提出的方法已經被證明可以提高模型的可解釋性［35， 40， 43］，但其仍然是DL研究的一大障礙。未來還需要更多的研究來探索，從而進一步提高DL方法在臨床工作中的可信度。在廣泛應用于臨床之前，超聲圖像采集的差異性、圖像數據不足等問題也亟待解決。在目前的DL研究中，超聲圖像的獲取缺乏統一的標準，不同的超聲診斷設備的使用和不同的醫生操作會給掃描圖像帶來很大的差異，這些差異將直接影響診斷結果。且目前雖然遷移學習可以幫助解決小樣本數據集中圖像數據不足問題［44］，但超聲圖像和自然圖像在特征上也存在巨大差異。因此，未來仍有必要進一步規范圖像采集，推出認可的大數據集。此外，人工智能工具普遍的氙點就是它們不能同時處理多個任務，開發全面的人工智能系統能夠檢測人體的多種異常也是未來需要努力的方向。

盡管DL在甲狀腺超聲智能診斷領域的應用還存在許多尚未解決的問題，但它仍然可以作為一種強大的輔助工具，通過為超聲醫生提供輔助診斷建議來降低有創檢查和治療的風險［32， 45］，這有助于提高整體超聲醫師的診斷水平。現有一些商用的基于DL計算機輔助診斷系統也表明，DL在甲狀腺結節的診斷中具有極大應用價值［46-49］。相信隨著硬件功能的進步、算法結構的完善、現代統計方法的創新以及可用數據支持的快速增長，甲狀腺結節超聲DL智能輔助診斷系統的應用價值能夠不斷提升，并繼續向著高準確、高效率、廣范圍的方向發展，為臨床診療工作提供更全面的參考信息。

參考文獻：

［1］" " 中華醫學會內分泌學分會， 中華醫學會外科學分會甲狀腺及代謝外科學組， 中國抗癌協會頭頸腫瘤專業委員會， 等. 甲狀腺結節和分化型甲狀腺癌診治指南（第二版）［J］. 國際內分泌代謝雜志， 2023， 43（2）： 149-94.

［2］" Durante C， Grani G， Lamartina L， et al. The diagnosis and management of thyroid nodules： a review［J］. JAMA， 2018， 319（9）： 914-24.

［3］" "Sung H， Ferlay J， Siegel RL， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021， 71（3）： 209-49.

［4］" "Gharib H， Papini E， Garber JR， et al. American association of clinical endocrinologists， American college of endocrinology， and associazione medici endocrinologi medical guidelines for clinical practice for the diagnosis and management of thyroid nodules： 2016 update［J］. Endocr Pract， 2016， 22（5）： 622-39.

［5］" "Horvath E， Majlis S， Rossi R， et al. An ultrasonogram reporting system for thyroid nodules stratifying cancer risk for clinical management［J］. J Clin Endocrinol Metab， 2009， 94（5）： 1748-51.

［6］" "Tessler FN， Middleton WD， Grant EG， et al. Re： ACR thyroid imaging， reporting and data system （TI-RADS）： white paper of the ACR TI-RADS committee［J］. J Am Coll Radiol， 2018， 15（3 Pt A）： 381-2.

［7］" Russ G， Bonnema SJ， Erdogan MF， et al. European thyroid association guidelines for ultrasound malignancy risk stratification of thyroid nodules in adults： the EU-TIRADS［J］. Eur Thyroid J， 2017， 6（5）： 225-37.

［8］" " 中華醫學會超聲醫學分會淺表器官和血管學組， 中國甲狀腺與乳腺超聲人工智能聯盟， 詹維偉， 等. 2020甲狀腺結節超聲惡性危險分層中國指南： C-TIRADS［J］. 中華超聲影像學雜志， 2021， 7（3）： 185-200.

［9］" "Li MM， Dal Maso L， Vaccarella S. Global trends in thyroid cancer incidence and the impact of overdiagnosis［J］. Lancet Diabetes Endocrinol， 2020， 8（6）： 468-70.

［10］" Hao PY， Xu ZY， Tian SY， et al. Texture branch network for chronic kidney disease screening based on ultrasound images［J］. Front Inf Technol Electron Eng， 2020， 21（8）： 1161-70.

［11］ Esteva A， Kuprel B， Novoa RA， et al. Dermatologist?level classification of skin cancer with deep neural networks［J］. Nature， 2017， 542（7639）： 115-8.

［12］" Gulshan V， Peng L， Coram M， et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs［J］. JAMA， 2016， 316（22）： 2402-10.

［13］" Lee H， Tajmir S， Lee J， et al. Fully automated deep learning system for bone age assessment［J］. J Digit Imaging， 2017， 30（4）： 427-41.

［14］" Chi JN， Walia E， Babyn P， et al. Thyroid nodule classification in ultrasound images by fine-tuning deep convolutional neural network［J］. J Digit Imaging， 2017， 30（4）： 477-86.

［15］ Mazurowski MA， Buda M， Saha A， et al. Deep learning in radiology： an overview of the concepts and a survey of the state of the art with focus on MRI［J］. J Magn Reson Imaging， 2019， 49（4）： 939-54.

［16］" Wang LT， Zhang L， Zhu MJ， et al. Automatic diagnosis for thyroid nodules in ultrasound images by deep neural networks［J］. Med Image Anal， 2020， 61： 101665.

［17］" Liu Z， Zhong SB， Liu Q， et al. Thyroid nodule recognition using a joint convolutional neural network with information fusion of ultrasound images and radiofrequency data［J］. Eur Radiol， 2021， 31（7）： 5001-11.

［18］" Xiang Z， Zhuo QL， Zhao C， et al. Self-supervised multi-modal fusion network for multi-modal thyroid ultrasound image diagnosis［J］. Comput Biol Med， 2022， 150： 106164.

［19］" Wang B， Wan Z， Li C， et al. Identification of benign and malignant thyroid nodules based on dynamic AI ultrasound intelligent auxiliary diagnosis system［J］. Front Endocrinol， 2022， 13： 1018321.

［20］ Fresilli D， David E， Pacini P， et al. Thyroid nodule characterization： how to assess the malignancy risk. update of the literature［J］. Diagnostics， 2021， 11（8）： 1374.

［21］" Akkus Z， Galimzianova A， Hoogi A， et al. Deep learning for brain MRI segmentation： state of the art and future directions［J］. J Digit Imaging， 2017， 30（4）： 449-59.

［22］ Kharazmi P， Zheng JN， Lui H， et al. A computer-aided decision support system for detection and localization of cutaneous vasculature in dermoscopy images via deep feature learning［J］. J Med Syst， 2018， 42（2）： 33.

［23］Zhu YC， Jin PF， Bao J， et al. Thyroid ultrasound image classification using a convolutional neural network［J］. Ann Transl Med， 2021， 9（20）： 1526.

［24］ Chen JY， You HJ， Li K. A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images［J］. Comput Methods Programs Biomed， 2020， 185： 105329.

［25］" Chen JS， Chen JY. Multimodal image feature fusion for improving medical ultrasound image segmentation［J］. Biomed Signal Process Contr， 2024， 89： 105705.

［26］ Lin XT， Zhou XG， Tong T， et al. A super-resolution guided network for improving automated thyroid nodule segmentation［J］. Comput Methods Programs Biomed， 2022， 227： 107186.

［27］" Kumar V， Webb J， Gregory A， et al. Automated segmentation of thyroid nodule， gland， and cystic components from ultrasound images using deep learning［J］. IEEE Access， 2020， 8： 63482-96.

［28］ Chu C， Zheng JH， Zhou Y. Ultrasonic thyroid nodule detection method based on U?Net network［J］. Comput Methods Programs Biomed， 2021， 199： 105906.

［29］ Sun JW， Li CY， Lu ZD， et al. TNSNet： thyroid nodule segmentation in ultrasound imaging using soft shape supervision［J］. Comput Methods Programs Biomed， 2022， 215： 106600.

［30］ Wang L， Yang SJ， Yang S， et al. Automatic thyroid nodule recognition and diagnosis in ultrasound imaging with the YOLOv2 neural network［J］. World J Surg Oncol， 2019， 17（1）： 12.

［31］ Ma JL， Wu F， Zhu J， et al. A pre?trained convolutional neural network based method for thyroid nodule diagnosis［J］. Ultrasonics， 2017， 73： 221-30.

［32］ Chen C， Jiang YT， Yao JC， et al. Deep learning to assist composition classification and thyroid solid nodule diagnosis： a multicenter diagnostic study［J］. Eur Radiol， 2024， 34（4）： 2323-33.

［33］" 武" 寬， 秦品樂， 柴" 銳， 等. 基于不同超聲成像的甲狀腺結節良惡性判別［J］. 計算機應用， 2020， 40（1）： 77-82.

［34］" Wang B， Wan Z， Zhang MB， et al. Diagnostic value of a dynamic artificial intelligence ultrasonic intelligent auxiliary diagnosis system for benign and malignant thyroid nodules in patients with Hashimoto thyroiditis［J］. Quant Imaging Med Surg， 2023， 13（6）： 3618-29.

［35］" Manh VT， Zhou JQ， Jia XH， et al. Multi-attribute attention network for interpretable diagnosis of thyroid nodules in ultrasound images［J］. IEEE Trans Ultrason Ferroelectr Freq Control， 2022， 69（9）： 2611-20.

［36］ Chan WK， Sun JH， Liou MJ， et al. Using deep convolutional neural networks for enhanced ultrasonographic image diagnosis of differentiated thyroid cancer［J］. Biomedicines， 2021， 9（12）： 1771.

［37］Yang ZY， Yao SQ， Heng Y， et al. Automated diagnosis and management of follicular thyroid nodules based on the devised small?dataset interpretable foreground optimization network deep learning： a multicenter diagnostic study［J］. Int J Surg， 2023， 109（9）： 2732-41.

［38］" Lee JH， Baek JH， Kim JH， et al. Deep learning-based computer-aided diagnosis system for localization and diagnosis of metastatic lymph nodes on ultrasound： a pilot study［J］. Thyroid， 2018， 28（10）： 1332-8.

［39］" Yu JH， Deng YH， Liu TT， et al. Lymph node metastasis prediction of papillary thyroid carcinoma based on transfer learning radiomics［J］. Nat Commun， 2020， 11（1）： 4807.

［40］ Guang Y， Wan F， He W， et al. A model for predicting lymph node metastasis of thyroid carcinoma： a multimodality convolutional neural network study［J］. Quant Imaging Med Surg， 2023， 13（12）： 8370-82.

［41］ Wu XL， Li MY， Cui XW， et al. Deep multimodal learning for lymph node metastasis prediction of primary thyroid cancer［J］. Phys Med Biol， 2022， 67（3）. doi： 10.1088/1361-6560/ac4c47.

［42］" Zhou LQ， Zeng SE， Xu JW， et al. Deep learning predicts cervical lymph node metastasis in clinically node-negative papillary thyroid carcinoma［J］. Insights Imaging， 2023， 14（1）： 222.

［43］" Wu XQ， Tan GH， Luo HX， et al. A knowledge-interpretable multi-task learning framework for automated thyroid nodule diagnosis in ultrasound videos［J］. Med Image Anal， 2024， 91： 103039.

［44］" Zhou H， Wang K， Tian J. Online transfer learning for differential diagnosis of benign and malignant thyroid nodules with ultrasound images［J］. IEEE Trans Biomed Eng， 2020， 67（10）： 2773-80.

［45］ Peng S， Liu YH， Lv WM， et al. Deep learning?based artificial intelligence model to assist thyroid nodule diagnosis and management： a multicentre diagnostic study［J］. Lancet Digit Health， 2021， 3（4）： e250-e259.

［46］ Choi YJ， Baek JH， Park HS， et al. A computer?aided diagnosis system using artificial intelligence for the diagnosis and characterization of thyroid nodules on ultrasound： initial clinical assessment［J］. Thyroid， 2017， 27（4）： 546-52.

［47］ Gitto S， Grassi G， de Angelis C， et al. A computer-aided diagnosis system for the assessment and characterization of low?to?high suspicion thyroid nodules on ultrasound［J］. Radiol Med， 2019， 124（2）： 118-25.

［48］" Jeong EY， Kim HL， Ha EJ， et al. Computer-aided diagnosis system for thyroid nodules on ultrasonography： diagnostic performance and reproducibility based on the experience level of operators［J］. Eur Radiol， 2019， 29（4）： 1978-85.

［49］" Yoo YJ， Ha EJ， Cho YJ， et al. Computer-aided diagnosis of thyroid nodules via ultrasonography： initial clinical experience［J］. Korean J Radiol， 2018， 19（4）： 665-72.

（編輯：郎" 朗）

收稿日期：2024-05-20

基金項目：甘肅省自然科學基金（20JR5RA153）

作者簡介：姚巧麗，在讀碩士研究生，E-mail： 3212664627@qq.com

通信作者：高翠霞，主任醫師，碩士生導師，E-mail： oo13352859335@163.com