人工智能輔助超聲對甲狀腺結節(jié)檢出的研究進展

王洪杰，于 霞，張恩東

（山東省威海市婦幼保健院①醫(yī)療設備科，②超聲二科，③耳鼻咽喉-頭頸外科，山東 威海 264200）

近年來，隨著圖像識別、深度學習及神經網絡等關鍵技術的突破，人工智能也已應用于各行業(yè)，其在醫(yī)療中的應用與發(fā)展也越來越受到關注［1-3］。醫(yī)學影像數據量大并采用統(tǒng)一的DICOM標準，因此有望成為人工智能最先實現突破的領域。多個頂級期刊近期都發(fā)表了人工智能在醫(yī)學領域的評論［4-6］，綜述了人工智能在醫(yī)療健康領域的現狀與未來發(fā)展［5］，以及人工智能在腫瘤影像的應用與挑戰(zhàn)［6］。超聲在甲狀腺結節(jié)的術前評估、術中引導以及術后評價等方面有其他影像技術無可替代的作用［7］，傳統(tǒng)判定甲狀腺良惡性病變多采取手術或穿刺，穿刺對甲狀腺結節(jié)大小的要求較高，易漏診；手術對甲狀腺功能影響較大，患者需長期服藥，所以采取無創(chuàng)的檢查方法有著重要意義。隨著醫(yī)學人工智能迅速發(fā)展，計算機輔助診斷（computer-aided diagnosis，CAD）作為前沿醫(yī)學技術廣泛用于臨床［8］，筆者就人工智能在甲狀腺結節(jié)檢出中的應用及研究進展進行闡述。

1 不同發(fā)展階段人工智能在甲狀腺結節(jié)中的應用

甲狀腺結節(jié)是甲狀腺疾病的常見體征之一，超聲因動態(tài)實時、無輻射、價格低等優(yōu)勢，是目前評估甲狀腺結節(jié)的首選方法［9］。人工智能檢測甲狀腺結節(jié)經歷了圖像處理法、計算機輔助診斷、深度學習等過程。

1.1 圖像處理法 圖像處理是早期檢測甲狀腺結節(jié)的方法，首先對甲狀腺結節(jié)圖像預處理，后通過匹配或基于規(guī)則等方法找出相對應結節(jié)，并提取其分割特征，匹配出候選結節(jié)與已經結節(jié)的相似度，檢出甲狀腺結節(jié)，此方法具有較高的敏感度與特異度，但假陽性率偏高［10］。

1.2 計算機輔助診斷 隨著機器學習的發(fā)展，人們可通過特征提取和特征選擇，對甲狀腺結節(jié)進行分類識別及結果輸出。1966年LEDLEY等［11］首次提出CAD，通過醫(yī)學影像處理技術，如圖像采集、圖像預處理、ROI分割、特征提取和分類識別等，結合計算機分析，輔助發(fā)現病灶，以提高診斷準確率。CAD可彌補圖像處理法中假陽性率較高的不足，實現結節(jié)的檢出［12］。

1.3 深度學習 深度學習模型直接對圖像信息進行處理，對甲狀腺結節(jié)檢出一步到位。深度學習是由人工神經網絡（artificial neural network，ANN）算法演變而來，其神經網絡算法包括卷積神經網絡（convolution neural network，CNN）、高級卷積神經網絡（advance convolution neural network，ACNN）、深度神經網絡（deep neural networks，DNN）等［13］。CNN主要由輸入層、卷積層、池化層和輸出層組成，該算法通過卷積與池化不停重復的過程自動對圖像進行特征提取和降維，由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(zhí)行，并生成從低級特征到高級特征復雜的層次結構，在訓練過程中通過將分類結果與已知類別標簽對比不斷改進提取的特征，自動識別甲狀腺結節(jié)，因此常能獲得令人滿意的分類結果。

2 人工智能輔助診斷甲狀腺結節(jié)的應用流程

人工智能輔助診斷可通過量化灰階參數，客觀、定量地分析甲狀腺結節(jié)的圖像特征。但目前尚處于不段改進階段，未有研究評估影響甲狀腺診斷準確性的相關因素，不能作為最終診斷，最終影像診斷需由超聲科醫(yī)師確定［14］，主要流程包括［15-16］：①圖像預處理，收集甲狀腺結節(jié)圖像，并對圖像進行標記、去噪、分割、增強、平滑等；②模型建立，對圖像通過CNN進行訓練，通過遷移技術得到合適的模型；③甲狀腺檢測，新采集的甲狀腺圖像，通過訓練模型，檢測甲狀腺結節(jié)，判定良惡性，給出進一步檢查或隨訪建議；④超聲醫(yī)師根據人工智能輔助診斷結果進行判斷，作出最終診斷［17-18］；⑤模型的優(yōu)化與改進，對模型誤判讀的圖像，根據手術病理及超聲科醫(yī)師判斷結果進行反饋，不斷優(yōu)化模型，進一步提高準確率。

3 人工智能對甲狀腺結節(jié)的檢出效能及影響因素

高清晰甲狀腺彩色多普勒超聲檢查是評估和隨訪甲狀腺結節(jié)的首選和常規(guī)影像學檢查方法，通過了解結節(jié)大小、位置、組成、回聲、是否鈣化、縱橫比、血流狀況和頸部淋巴結情況，辨別良惡性。研究［19］發(fā)現，人工智能可輔助提高甲狀腺結節(jié)的檢出率，臨床應用價值較高。人工智能檢測甲狀腺結節(jié)需綜合判斷，前期重點標注惡性程度較高的特征，如微小鈣化、明顯低回聲、結節(jié)內部血流豐富紊亂、邊緣不規(guī)則、結節(jié)橫截面前后徑＞左右徑（縱橫比＞1）及伴同側頸淋巴結異常（脂肪淋巴門消失、圓形外觀、高回聲、囊性變、微小鈣化、周圍血流豐富紊亂等）等。

4 人工智能在甲狀腺結節(jié)檢出中的優(yōu)點

人工智能由于圖像處理法很少單獨應用，在甲狀腺結節(jié)檢出時多與CAD結合以降低假陽性率［12］。研究［20］發(fā)現，以支持向量機為代表的CAD學習法在檢出甲狀腺結節(jié)時尤其在甲狀腺結節(jié)數據集信息較少的情況下，對計算機硬件要求較低，成本也低于深度學習，但其在特征選擇上存在不足，由于CAD在甲狀腺結節(jié)檢出中采用人為設計的特征提取進行選擇，易造成部分結節(jié)信息丟失，而深度學習則可同時完成結節(jié)定位、分割和分類。在定位上，由于CNN具有圖像特征位移不變性，對學習到的特征可從圖像的不同位置中提取出來，不會因結節(jié)位置多變和體積較小導致檢出率下降，具有較好的泛化能力。在結節(jié)分類上，深度學習實現從原始圖像輸入到最終分類的映射，消除CAD手工設計特征對最終分類的影響。雖然CNN對圖像物體的分類與定位具有較強優(yōu)勢，但對甲狀腺結節(jié)的檢出也存在不足，需對醫(yī)師標注過的甲狀腺圖像進行學習，而醫(yī)師標注質量的高低直接決定了學習質量及模型的效能。CNN的算法目前還屬于黑盒子狀態(tài)，其對甲狀腺結節(jié)檢出原理尚無法解釋［21］。目前，雖然美國食品藥品監(jiān)督管理局（Food and Drug Administration，FDA）已經批復部分人工智能產品，但我國國家食品藥品監(jiān)督管理局尚未批準。

5 人工智能檢測甲狀腺結節(jié)的發(fā)展趨勢

人工智能在甲狀腺結節(jié)檢出中已取得較大進步，但仍存在較多問題，大多數CAD需要醫(yī)師對圖像進行完整、精確地標注，對圖像標注質量要求較高且工作量巨大。目前，李曉峰等［22-23］在圖像分類算法及圖像識別方法的研究具有代表性，而CHANG［24］的研究主要關注CAD軟件的商業(yè)化，其參與的甲狀腺CAD診斷軟件系統(tǒng)是全球唯一通過美國FDA及歐盟CE認證的人工智能輔助診斷系統(tǒng)，截至目前已在歐美、澳大利亞等國家進入臨床使用推廣階段。深度學習是近年來機器學習領域的關鍵突破和研究熱點之一，無需人工設置提取特征，計算機從數據中自主學習規(guī)則，更加高效可靠，具有強大的特征學習能力，從而有利于解決檢測及分類問題，也是當前圖像處理和分析領域的研究熱點。為提高效率，可采用遷移學習的方法，把訓練好的模型參數遷移至另一個模型中以訓練新模型，實現樣本重復利用，優(yōu)化學習效率。

6 人工智能檢測甲狀腺結節(jié)的建議

人工智能檢測甲狀腺結節(jié)，目前在技術和數據上均有一定優(yōu)勢，但仍存在模型種類單一、模型性能不穩(wěn)定等問題，完全對接臨床開放式使用場景存在一定困難。數據是人工智能所需的核心資源［25］，僅掌握算法而缺乏足夠數量和質量的數據無法獲得較好的訓練結果［26］。目前的訓練數據常由各科研單位自己標注，監(jiān)督學習的技術本質是算法訓練與產品測試，使用的數據集對全生命周期的質量控制和風險管理有重要意義。建議成立標準委員會，規(guī)范圖像標注方法，統(tǒng)一圖像征象認識、標注方法、分割方法、量化方法等，培養(yǎng)專業(yè)的圖像標注團隊，保證訓練用標注數據的質量；建立模型檢測標準數據庫，研制出模型評價體系與標準，以保證人工智能產品的質量［27］。

隨著醫(yī)學大數據時代的來臨，醫(yī)學的發(fā)展需多學科交叉，CAD在醫(yī)學研究及臨床實踐中越來越受到重視，深度學習是機器學習的一個分支，更適合解決大數據問題，可通過在給定數據集上訓練模型來完成新數據上的特定任務，其已成為機器學習領域最熱門的研究方向之一，被廣泛應用于醫(yī)學影像分析中。與傳統(tǒng)學習方法不同，深度學習無需對圖像預處理及特征預選擇，也無需對圖像進行復雜處理，降低了對數據質量的要求，可更客觀地分析圖像信息。基于人工智能的超聲甲狀腺檢出，對降低超聲科醫(yī)師的工作強度、減少漏診等有明顯的臨床意義。目前人工智能技術仍存在一些不足，如應用場景單一，多數集中在肺結節(jié)、甲狀腺結節(jié)的篩查，未來需搭建醫(yī)工結合平臺［28］，提供更多合作交流機會。臨床醫(yī)師也應進行培訓，并開展甲狀腺人工智能多模態(tài)成像等方面的研究，進一步提高其診斷準確率［29］。大多醫(yī)師認為人工智能領域最大的問題是缺乏行業(yè)標準和相關知識，并對其產品可信度和應用后法律責任劃分等表示擔憂；今后加強人工智能相關知識和政策法規(guī)的普及學習，建立規(guī)范化大樣本數據中心，提高產品的泛化性和魯棒性，將有助于解決這一問題［30］。