人工智能技術在甲狀腺結節診斷及預測淋巴結轉移中的應用

劉凌曉， 董 怡

甲狀腺結節是臨床常見的疾病之一。 其中良性結節包括甲狀腺增生結節、甲狀腺囊腫、甲狀腺濾泡腺瘤等，惡性結節最常見為甲狀腺乳頭狀癌。 以往文獻報道， 高分辨率超聲篩查甲狀腺結節的檢出率為20%～76%，其診斷甲狀腺癌占5%～15%［1］。 目前，良性甲狀腺結節的確診主要依靠影像學表現及隨訪改變，惡性甲狀腺結節的確診主要依靠超聲引導下穿刺活檢及病理診斷［2］。在精準醫療時代下，術前準確、無創地鑒別甲狀腺結節的良惡性、預測頸部淋巴結是否轉移有利于提高個性化治療的針對性，合理分配醫療資源。

在現有的影像學檢查方法中， 超聲憑借其無創、靈敏、實時顯像等獨特優勢，成為甲狀腺結節的首選影像學診斷方法［3］。 但超聲檢查具有一定的操作者依賴性，不同經驗的操作者可能對同一圖像產生不同的判讀效果。

人工智能（artificial intelligence，AI）輔助診斷是計算機模擬人類智能與思維的前沿學科［4］，其采用計算機輔助檢測與診斷（computer-aided detection and diagnosis，CAD）系統等方法挖掘影像圖像中的特征信息，精準、迅速地識別病灶并給出客觀的診斷意見。 影像組學結合大數據與醫學影像，利用深度學習方法深度挖掘圖像信息， 提取高通量圖像特征，并尋找高通量特征與疾病的發生、發展、病理、基因等方面的關聯，構建模型預測分析，輔助臨床決策，以提高診斷、預測、評估預后的準確性［5］。近年來，AI輔助下的醫學影像學技術在精準診斷甲狀腺結節良惡性及淋巴結轉移預測已成為研究熱點，本文就AI 在甲狀腺結節診斷及淋巴結轉移中的應用進行評述。

1 AI 技術在甲狀腺結節術前診斷中的應用

甲狀腺結節術前精準診斷結節良惡性，有助于選擇合理的治療方式。 以往超聲診斷甲狀腺結節惡性的標準有二維超聲顯示甲狀腺結節縱橫比＞1、結節邊界不清、內部散在分布的微鈣化等。 在常規超聲造影（contrast enhanced ultrasound， CEUS）檢查中， 甲狀腺癌動脈期常表現為整體不均勻低增強。現有的美國放射學會甲狀腺影像報告和數據系統（American College of Radiology thyroid imaging reporting and data system， ACR TI-RADS）標準中，TI-RADS 判定甲狀腺結節為等回聲或低回聲、無包膜、外周微小鈣化和血流豐富，其診斷甲狀腺癌的靈敏度、特異度分別為79.0%、71.0%［6］。 但其對于形態不典型及TI-RADS 4b 類甲狀腺結節性質判斷比較困難。

CAD 系統和深度學習是AI 技術采用的兩個主要方法。 CAD 系統由圖像采集、特征提取和分類識別等過程構成， 以輔助提高治療前診斷準確率［7］。CAD 系統量化超聲灰階參數，判別甲狀腺結節的性質，給出客觀診斷意見，是AI 檢測甲狀腺結節主要的方法［8］。有研究采用人工判別和CAD 系統分別診斷185 個甲狀腺結節的良惡性，CAD 系統診斷結節良惡性的受試者工作特征曲線（ROC）曲線下面積（area under curve，AUC）及特異度均優于人工判讀，在CAD 的量化參數中，結節低回聲、微鈣化及縱橫比＞1 能夠有效評估甲狀腺惡性結節，并提供可靠的穿刺建議［9］。 也有報道使用CEUS、CAD 系統、CAD系統聯合CEUS 診斷122 例經術后病理證實的甲狀腺結節，靈敏度分別為81.9%、90.4%、92.8%，特異度分別為84.6%、69.2%、89.7%， 準確度分別為82.8%、83.6%、91.8%，CAD 系統聯合CEUS 診斷結節良惡性效能優于單獨的CAD、CEUS，二者聯合能夠為甲狀腺結節進行快速的分級評估，更加精確地鑒別診斷甲狀腺結節良惡性［10］。 但CAD 系統的感興趣區（region of interest，ROI）為人工勾勒，可能具有一定主觀性，若采用系統自動識別診斷結果更加客觀。

近來，基于卷積神經網絡（convolutional neural networks，CNN）和深度學習技術的超聲影像組學成為術前診斷甲狀腺結節良惡性的有效工具［11］。 CNN由輸入層、卷積層、池化層和輸出層等組成，CNN 經卷積層與池化層不斷循環從而自動提取圖像特征并進行降維， 將所得結果與已知分類不斷對比、改善提取的圖像特征［12］。 曾有報道基于YOLOv2 神經網絡，通過深度學習建立甲狀腺圖像的自動識別和診斷系統， 能將甲狀腺結節自動勾勒結節的ROC曲線的AUC 提高到0.90， 且準確性高于超聲檢查（P＜0.05），YOLOv2 系統對甲狀腺惡性結節診斷的靈敏度、準確度、陽性預測值、陰性預測值（90.5%，90.31%，95.22%，80.99%）與超聲檢查具有可比性（P＞0.05），且YOLOv2 系統具有更高的特異性（89.91%比77.98%，P＜0.05）， 其在超聲檢查過程中實現實時、同步診斷，輔助臨床診療決策［13］。 混合CNN 在超聲圖像中能自動識別、分割甲狀腺結節，其ROC曲線的AUC 為98.51%，混合CNN 自動識別甲狀腺結節能夠提供客觀的診斷意見并減輕醫師工作量，能提高超聲引導下針吸術的診斷性能［14］。 Buda 等［15］納入1 278 個甲狀腺結節進行CNN 訓練，采用十折交叉驗證深度學習算法，并納入99 個甲狀腺結節進行內部驗證，結果表明深度學習給出的穿刺活檢建議的靈敏度和特異度分別為87.0%、52.0%， 與放射科專家的診斷相似（87.0%、51.0%）。 有研究通過基于深層CNN GoogLeNet 模型開發一個完整的甲狀腺超聲圖像分類系統，對圖像進行預處理以獲得更好的圖像質量［16］。 GoogLeNet 對開放性數據庫中的甲狀腺結節良惡性分類的靈敏度、特異性、準確度分別99.10%和93.90%、98.29%，對本地數據庫中的甲狀腺結節良惡性分類的靈敏度、特異性、準確度分別為86%、99%、96.34%［16］。

2 AI 技術在預測甲狀腺癌淋巴結轉移中的應用

甲狀腺癌中最常見的是甲狀腺乳頭狀癌（papillary thyroid carcinoma， PTC）， 甲狀腺癌侵襲性、淋巴結轉移是PTC 介入治療復發和不良生存率最相關的危險因素［17］，預測PTC 淋巴結轉移對評估甲狀腺癌療效具有重要意義。以往的報道多數基于常規 超 聲［18-19］、CEUS［20］及 超 聲 剪 切 波 彈 性 成 像（shear wave elastography， SWE）的研究。 結果顯示常規超聲診斷的甲狀腺癌形態不規則、緊貼包膜、結節微鈣化、血流豐富、多發病灶是淋巴結轉移的重要特征［18-19］；在CEUS 檢查中，甲狀腺癌動脈期等或高增強是淋巴結轉移獨立危險因素［20］；SWE 楊氏模量最大值、 平均值增高是預測甲狀腺癌淋巴結轉移的重要參數［18-19］。 但以往研究樣本量較小，診斷效能還有待提高。

淋巴結轉移是甲狀腺癌復發與轉移重要的臨床特征之一［21］。 治療前AI 技術精準預測淋巴結的轉移對選擇合理治療方式、提高療效、改善患者預后具有重要作用。曾有研究嘗試在MRI 中提取影像組學高通量特征，構建組學模型預測甲狀腺癌侵襲性效能明顯優于臨床特征（ROC 曲線AUC 0.92 對0.56），AI 基于MRI 圖像能夠在術前精準預測PTC的侵襲性，為評估患者預后及調整臨床治療策略提供依據［22］。 Liu 等［23］通過對450 例PTC 伴淋巴結的超聲圖像分割，提取614 個高通量特征，構建模型預測PTC 出現淋巴結轉移的AUC 為0.78， 準確率為0.71。 另有研究基于灰階超聲及SWE 影像組學圖像特征，構建術前影像組學評分系統，預測PTC淋巴結轉移，該模型ROC 曲線的AUC 為0.84，具備一定的術前預測PTC 淋巴結轉移的能力［8］。 近來有研究在PTC 患者中分別采用灰階超聲、剪切波彈性超聲及二者聯合的模式，經圖像分割、特征提取、特征選擇和分類識別提取了3 個特征集， 共篩選了684 個高通量影像組學特征， 結果顯示灰階超聲與剪切波彈性超聲聯合的影像組學模型預測PTC 淋巴結轉移的效能優于單獨的灰階超聲或剪切波彈性超聲，其ROC 曲線的AUC、靈敏度、特異度和準確度分別為0.90、0.77、0.88 和0.85［24］，基于多模態超聲的影像組學能更加準確地預測PTC 患者的淋巴結轉移，對評估療效、改善預后具有重要作用，將是未來進一步的研究方向。

BRAF（B-Raf proto-oncogene， serine/threonine kinase）基因突變是反映甲狀腺癌高度侵襲性的分子指標，其與甲狀腺癌復發、不良預后密切相關［25］。有研究使用基于超聲影像組學方法評估PTC 中BRAF 突變， 研究表明構建模型預測BRAF 基因突變的AUC 為0.651，靈敏度、特異度、準確度分別為66.8%、61.8%、64.3%［26］，超聲憑借其無創、實時、多切面成像的優勢， 在構建影像組學預測模型方面，具有獨特的優勢和發展潛力。

3 AI 技術在甲狀腺結節診斷及淋巴結轉移預測中的應用前景展望

目前AI 在甲狀腺結節的自動勾勒、輪廓識別與良惡性判別中取得了較為滿意的結果，但AI 對于較小的甲狀腺結節的診斷效能仍有很大的提升空間。在大數據時代背景下，建立術前精準、無創診斷甲狀腺結節良惡性、預測頸部淋巴結轉移、前瞻性預測預后的AI 超聲影像學體系， 對實現甲狀腺結節AI 支撐下的甲狀腺診療新模式具有重要意義。

依托醫學影像多中心大數據及標準化、規范化的數據采集流程， 未來AI 技術在甲狀腺結節診斷及預測淋巴結轉移中能得到更廣闊的應用。