人工智能在超聲影像甲狀腺結節良惡性預測研究*

王洪杰 于 霞 田進軍 王振宇

隨著深度神經網絡的不斷發展，人工智能(artificial intelligence，AI)在多個不同領域展現出超越人類的才能[1-2]。為了推動AI從理論應用于實踐，2017年5月美國放射學會(American College of Radiology，ACR)成立美國數據科學院(Data Science Institutetm，DSI)，負責制定AI醫學影像實踐的框架、策略和標準。2017年7月，國務院發布了《新一代人工智能發展規劃》，規劃中指出AI是影響面廣的顛覆性技術，要將AI首先應用于醫學和健康養老產業。目前，醫學影像AI應用研發還主要集中在診斷環節，多以單一疾病，用于肺部結節鑒別、骨齡預測及乳腺疾病檢測等[3]。利用卷積神經網絡(convolutional neural networks，CNN)對超聲甲狀腺結節進行良惡性的診斷，與傳統的機器學習方法不同的是CNN方法不需要對圖像進行預處理，無需人工設計特征與進行特征選擇，這是一種數據驅動學習，相對于傳統方法具有極大的優勢[4]。

甲狀腺結節是臨床上最常見的疾病之一，其結節有良惡性之分，惡性結節有原發性腫瘤以及罕見繼發性轉移癌等。超聲基于無創無輻射是評估甲狀腺良惡性結節特征首先檢查方法，但超聲對甲狀腺結節的評估具有主觀性，不同年資醫師之間對結節的超聲征象判定方面存在諸多不同[5]。目前，穿刺和病理檢查是鑒定結節良惡性的主要手段，但這兩種方法創傷性大，對正常甲狀腺組織造成破壞，因此有效地利用超聲圖像診斷甲狀腺結節良惡性代替傳統的穿刺具有重要現實意義[6-7]。為此，本研究提出基于超聲深度學習的甲狀腺結節良惡性診斷的方法，該方法能夠利用深度學習的優勢，通過逐層特征提取，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或診斷更為準確清晰[8]。

1 材料與方法

1.1 圖像采集與分割預處理

(1)圖像采集。采集2015-2018年就診于威海市婦幼保健院的1020例完全匿名的甲狀腺結節患者超聲圖像資料用于圖像建模訓練；另選390例測試患者超聲圖像資料進行研究，其中男性81例，女性309例；年齡19～79歲，平均年齡(43.11±14.39)歲，病灶直徑0.49～6.8cm，平均(3.3±0.84)cm。將圖像分析結果分為AI組、超聲影像組和聯合診斷組，并與術后病理結果進行對比

(2)圖像分割預處理。每個甲狀腺結節或正常甲狀腺均有數個縱向切割圖像或橫切圖像。共計有2786張關于甲狀腺結節的圖像，而甲狀腺圖像均來自Philips IU22、L12-5、GE LOGIQ E9和ML6-15-D的不同超聲系統。甲狀腺超聲若是低回聲、血運豐富、微鈣化、形態不規則和淋巴結腫大考慮為惡性；形態規則，邊緣光滑考慮為良性[9]。所有納入研究的病變均經過活檢或手術病理確診同時病灶范圍明確，術后對甲狀腺結節的良惡性進行驗證。甲狀腺結節超聲圖像驗證見圖1。

1.2 甲狀腺結節診斷的神經網絡

圖1 甲狀腺結節超聲圖像

CNN是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一[10-11]。CNN具有表征學習能力，能夠按其階層結構對輸入信息進行平移不變分類，因此也被稱為“平移不變人工神經網絡”。基于神經網絡到CNN的甲狀腺結節良性和惡性檢測方法，是一種深度學習分類模型[12]。甲狀腺結節診斷的CNN結構通常由標準的堆疊的卷積層、池化層及一個或多個完全連接層組成，能夠通過多個中間層捕獲輸入和輸出之間的高度非線性映射，可訓練的卷積濾波器，局部鄰域池操作和歸一化操作在輸入上交替執行，并生成從低級特征到高級特征的越來越復雜的特征的層次結構[13]。甲狀腺結節診斷的CNN結構見圖2。

圖2 甲狀腺結節診斷的CNN結構

以超聲甲狀腺結節的圖像作為輸入，產生相應的特征圖像作為輸出。多個中間層利用卷積核、池化和正規化作用將輸入映射到輸出，包含數以百萬計的可訓練的參數經過調整以適應于勾畫的甲狀腺結節數據。通過對底層特征到高層特征的建立，自動學習甲狀腺結節的層次結構特征，利用這些特征訓練一個模型，用于識別甲狀腺結節，其分類流程見圖3。

圖3 CNN神經網絡超聲甲狀腺結節分類流程

描述計算機輔助診斷技術進行甲狀腺結節分類的流程為:①甲狀腺結節區域由專家醫生粗魯地勾畫出來；②在CNN進行單獨訓練[14-15]；③基于甲狀腺結節的圖像塊重新訓練并融合由這兩個CNN學習的特征，訓練分類器以識別甲狀腺結節，基于CNN結構，設計的CNN架構包括3個卷積層、3個池化層和3個全連接層，實現特征學習和分類，用于診斷甲狀腺結節的良惡性[16]。

1.3 數據預測

為了驗證本研究所構建的CNN模型對超聲數據預測效果的準確性，測試集共有390例，圖像2786張，將采集的每例患者甲狀腺數據分別輸入到完成訓練的甲狀腺診斷CNN模型中，可以得到對應每例患者良惡性的診斷結果。診斷結果由準確率、精準率、靈敏度和特異度來評定，準確率代表甲狀腺結節診斷正確的百分比，精準率代表被正確識別為惡性甲狀腺結節占總識別為惡性的結節百分比，靈敏度代表被正確識別為惡性甲狀腺結節的百分比，特異度代表被正確識別為良性甲狀腺結節的百分比。

2 結果

根據AI、超聲影像及聯合診斷結果測試對比，計算準確率、精準率、靈敏度和特異度，超聲影像組的準確度較AI組高8.46%，聯合診斷組較超聲影像組高4.36%，聯合診斷的精準率、靈敏度及特異度均高于超聲影像組及AI，組其指標結果見表1。

表1 AI、超聲影像及聯合診斷結果對比(%)

表1顯示，本研究構建的深度學習模型用于甲狀腺結節診斷，可以輔助醫師提高患者在醫院受檢查的整體質量，與術后病理的診斷一致性最高，可以在超聲診斷甲狀腺檢查中輔助醫生進行實時診斷。

3 討論

近年來，甲狀腺癌的發病率逐漸上升，已成為最常見的惡性腫瘤之一[17]。2012年我國甲狀腺惡性結節新發例數占全球新發例數的15.6%，因此甲狀腺癌的篩查刻不容緩，伴隨著AI技術在多個學科、多個行業的滲透，AI正在構建一個新的醫學模式，醫工結合、學科交叉是目前醫學智能化、影像智能化發展的一個重要趨勢[18]。

本研究結果顯示，AI的準確率已經達到70%，表明可以有效地應用甲狀腺結節良惡性的檢查，同時超聲影像結合AI具有更高的準確率、精準率、靈敏度及特異度，表明AI能夠提高超聲影像診斷甲狀腺結節良惡性的能力，但結果顯示，AI產品性能的準確率、精準率、靈敏度及特異度比超聲影像人工判讀低，可能是選入的甲狀腺結節均為術后病理證實，而AI僅僅分析靜態圖像不能動態觀察，增加了鑒別難度，未來要不段優化模型來適用不同患者，提高AI產品性能。本研究局限性在于以惡性病例為主，樣本中良性病例較少，現在只能對靜態圖像進行處理分析，難以避免因超聲醫師采集圖像不全導致診斷信息丟失而差生準確率下降。

目前，甲狀腺結節良惡性輔助診斷臨床需求迫切，從政策、技術和數據上均有一定的優勢，但存在性能單一和模型不穩定的不足，完全對接臨床使用有一定的難度，同時在醫學倫理、法律法規、信息安全等領域的界定與患者隱私的保護還需要進一步明確[19]。

4 結語

本研究對深度學習技術在超聲甲狀腺結節領域內的應用進行了初步探索，AI可以快速有效地對甲狀腺結節進行分險評估，可提高甲狀腺結節的診斷水平。本研究結果表明，深度學習方法應用于超聲影像的甲狀腺結節良惡臨床性輔助診斷具有可行性，并有較好的臨床應用前景。