人工智能輔助評分系統(tǒng)聯(lián)合超聲彈性成像診斷甲狀腺結(jié)節(jié)良惡性的價(jià)值

宋林科,姜 玨,王 娟,周 琦

(西安交通大學(xué)第二附屬醫(yī)院 醫(yī)用超聲研究室,陜西 西安,710004)

二維超聲具有實(shí)時(shí)、動態(tài)、無輻射、價(jià)格低廉、可重復(fù)性強(qiáng)等優(yōu)勢，已成為臨床診斷甲狀腺結(jié)節(jié)的首選手段，但其判斷結(jié)節(jié)性質(zhì)的價(jià)值有限[1]。超聲彈性成像技術(shù)是通過不同組織的硬度差異來評估組織的良惡性，具有重復(fù)性好，能夠定量診斷等優(yōu)點(diǎn)，但易受操作者經(jīng)驗(yàn)、病變鈣化及纖維化、病變生長位置等因素影響[2]。近年來，人工智能輔助診斷系統(tǒng)在甲狀腺超聲診斷中發(fā)揮出獨(dú)特優(yōu)勢，能夠明顯降低工作強(qiáng)度，提高工作效率及診斷準(zhǔn)確性，尤其是可以快速、實(shí)時(shí)、有效地評估甲狀腺結(jié)節(jié)良惡性，但也受醫(yī)師經(jīng)驗(yàn)、結(jié)節(jié)大小等影響[3]。本研究探討甲狀腺人工智能輔助評分系統(tǒng)聯(lián)合超聲彈性成像技術(shù)診斷甲狀腺結(jié)節(jié)良惡性的價(jià)值，現(xiàn)報(bào)告如下。

1 資料與方法

1.1 一般資料

選取2019年6月—2020 年6月在本院行甲狀腺結(jié)節(jié)超聲檢查的患者414例(共543個結(jié)節(jié))，所有患者病理和影像學(xué)資料均完整，排除具有甲狀腺手術(shù)史的患者。男136例，女278例，年齡24～68歲，平均(44.39±10.04)歲，結(jié)節(jié)直徑0.70～4.20 cm,平均(1.87±0.69) cm。

1.2 方法

由1名工作年限超過10年的醫(yī)師應(yīng)用LOGIQ E9彩色多普勒超聲診斷儀(美國GE公司)采集甲狀腺結(jié)節(jié)超聲圖像，采用高頻線陣探頭，頻率設(shè)置為6.5～13.0 MHz,選擇Thyroid 模式。囑患者自然仰臥，充分暴露頸部，嚴(yán)格按照陜西省超聲質(zhì)控中心的質(zhì)控要求對其甲狀腺進(jìn)行多切面、全方位掃查，必要時(shí)調(diào)整探頭頻率及患者頭頸部位置。每個結(jié)節(jié)選取3張像素清晰、特征明顯、能夠全面反映結(jié)節(jié)細(xì)節(jié)的二維超聲圖像，直接以DICOM格式傳輸至甲狀腺人工智能輔助診斷系統(tǒng)(AI-SONICTMThyroid),對甲狀腺結(jié)節(jié)進(jìn)行評分，記錄結(jié)節(jié)數(shù)字評分的最大值，評分?jǐn)?shù)值越大提示結(jié)節(jié)惡性的可能性越高，同時(shí)以取樣框顏色區(qū)分(綠色提示良性,0～0.39分;橙色提示可疑,0.40～0.59分;紅色提示惡性,0.60～1.00分)。見圖1。

隨后切換至助力式超聲彈性成像模式，將感興趣區(qū)(ROI)設(shè)置為病變組織的2～3倍，輕壓探頭，使壓力值為3～4,獲取超聲彈性成像圖。測量甲狀腺結(jié)節(jié)的應(yīng)變率，記錄為A,隨后對同一層面正常的甲狀腺應(yīng)變率進(jìn)行測量，記錄為B。測量3次，取A、B的平均值，計(jì)算甲狀腺結(jié)節(jié)的應(yīng)變率比值(SR),SR=B/A,見圖2。

1.3 觀察指標(biāo)

以病理學(xué)檢查結(jié)果為金標(biāo)準(zhǔn)，分析人工智能評分(AIAS)、SR以及兩者聯(lián)合診斷甲狀腺結(jié)節(jié)良惡性的價(jià)值。

1.4 統(tǒng)計(jì)學(xué)方法

2 結(jié) 果

2.1 病理檢查結(jié)果

543個甲狀腺結(jié)節(jié)中，病理檢查結(jié)果證實(shí)，惡性病變339個(62.43%),包括乳頭狀癌309個，濾泡狀癌30個，設(shè)為惡性組;良性病變204個(37.57%),包括結(jié)節(jié)性甲狀腺腫172個，甲狀腺腺瘤21個，淋巴細(xì)胞性甲狀腺炎11個，設(shè)為良性組。

2.2 甲狀腺結(jié)節(jié)良惡性的AIAS和SR比較

良性結(jié)節(jié)的AIAS、SR均低于惡性結(jié)節(jié)，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。見表1。

表1 甲狀腺結(jié)節(jié)良惡性的人工智能評分和SR比較

2.3 AIAS、SR診斷甲狀腺結(jié)節(jié)良惡性的聯(lián)合診斷分析

將AIAS、SR納入二元Logistic回歸分析，回歸方程Logit(P)=-12.508+1.135SR +12.622AIAS。聯(lián)合預(yù)測因子=SR+AIAS×(12.622/1.135)。AIAS與SR聯(lián)合診斷下，良性組聯(lián)合預(yù)測因子為(7.32±2.71),惡性組為(14.85±2.35),差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。

2.4 AIAS、SR和聯(lián)合診斷的ROC分析

AIAS與SR聯(lián)合診斷的AUC均高于AIAS和SR的AUC,差異均有統(tǒng)計(jì)學(xué)意義(P<0.05),SR和AIAS診斷的AUC比較，差異無統(tǒng)計(jì)學(xué)意義(P>0.05)。聯(lián)合診斷的靈敏度、特異度和準(zhǔn)確率均高于AIAS和SR，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。見表2。

表2 AIAS、SR和聯(lián)合診斷的ROC分析

3 討 論

甲狀腺結(jié)節(jié)常因體檢、頸部不適或甲狀腺功能異常而被發(fā)現(xiàn)，早期診斷后的治愈率較高，患者預(yù)后一般較好[4-5]。目前，高分辨率超聲檢查設(shè)備可獲得質(zhì)量更優(yōu)的甲狀腺超聲圖像，但甲狀腺結(jié)節(jié)的常規(guī)二維聲像圖復(fù)雜多變，良惡性結(jié)節(jié)重疊、融合存在。彩色多普勒血流成像既可以表現(xiàn)為豐富血流，也可以表現(xiàn)為缺乏血供，有些結(jié)節(jié)既具備良性病變的特點(diǎn)，又具有惡性病變的特征，導(dǎo)致醫(yī)師僅從常規(guī)二維聲像圖上很難判斷其良惡性[6]。人工智能技術(shù)主要是利用計(jì)算機(jī)代替人工識別二維超聲圖像，簡化工作流程。研究[7]證明，人工智能輔助系統(tǒng)能顯著提高低年資醫(yī)師診斷甲狀腺結(jié)節(jié)的準(zhǔn)確率。超聲彈性成像技術(shù)通過獲取病灶組織硬度信息診斷甲狀腺結(jié)節(jié)良惡性，其中SR在診斷甲狀腺結(jié)節(jié)性質(zhì)中更為客觀，且能夠?qū)Σ≡罱M織的彈性評分進(jìn)行定量評價(jià)[8]。

本研究發(fā)現(xiàn)，良性組和惡性組的AIAS和SR差異有統(tǒng)計(jì)學(xué)意義(P<0.05),提示兩者均可作為甲狀腺結(jié)節(jié)良惡性的診斷方法。人工智能輔助評分系統(tǒng)AI-SONICTMThyroid是DEMETICS超聲診斷機(jī)器人的一個子系統(tǒng)，德尚韻興醫(yī)療科技根據(jù)自主研發(fā)的深度學(xué)習(xí)框架Light3，自主設(shè)計(jì)了一些網(wǎng)絡(luò)層和旋轉(zhuǎn)不變層，其優(yōu)勢是在專家標(biāo)注的大量樣本上，計(jì)算機(jī)可以逐個像素、超快速地捕捉到很多無法用語言來描述的特征及某些肉眼較難以觀察到的精細(xì)病變組織結(jié)構(gòu)等，不需要人為設(shè)定特征，從而實(shí)現(xiàn)對甲狀腺結(jié)節(jié)良惡性的智能化判斷。研究[9]發(fā)現(xiàn)，人工智能技術(shù)實(shí)現(xiàn)對二維超聲圖像的定量化分析，摒棄了傳統(tǒng)的描記，操作便捷，與病理診斷結(jié)果的一致性較高。本研究發(fā)現(xiàn)，人工智能輔助評分系統(tǒng)診斷下的靈敏度為87.02%,特異度為86.27%,與王洪杰等[10]報(bào)道的89.58%和83.21%相近。超聲彈性成像技術(shù)可有效反映病變組織的硬度變化，甲狀腺良性結(jié)節(jié)內(nèi)部成分以膠體、濾泡等為主，質(zhì)地偏軟，彈性較高;甲狀腺惡性結(jié)節(jié)的細(xì)胞分化程度多樣，纖維成分較為豐富，砂粒體較多，硬度偏高，彈性較差[11]。研究[12]發(fā)現(xiàn)，超聲彈性成像技術(shù)對甲狀腺結(jié)節(jié)的診斷靈敏度為88.90%,特異度為91.80%,與本研究的81.70%和90.20%相近。

本研究中，聯(lián)合診斷下的AUC、靈敏度和特異度均優(yōu)于AIAS和SR單獨(dú)診斷。分析原因?yàn)?AIAS能夠?qū)Ξ惓^(qū)域超聲圖像特征進(jìn)行有效分割、提取和量化，對結(jié)節(jié)的良惡性進(jìn)行評估，減少醫(yī)師的主觀判斷對結(jié)果的影響[13]。但在人工智能診斷中，未與患者甲狀腺正常組織進(jìn)行對比，并可受結(jié)節(jié)的直徑、位置、粘連或者中等回聲等影響，降低結(jié)節(jié)識別率[14]。SR為病變組織與正常組織彈性的比值，排除了呼吸對結(jié)果的影響，在反映病變組織硬度中具有一定的優(yōu)勢，但在具體診斷時(shí)，可因組織鈣化、橋本氏甲狀腺炎等影響，使病變周圍組織硬度增高，導(dǎo)致診斷準(zhǔn)確率下降[15]。AIAS和SR聯(lián)合診斷下，可實(shí)現(xiàn)優(yōu)勢互補(bǔ)，在對結(jié)節(jié)形態(tài)學(xué)特征分析的基礎(chǔ)上聯(lián)合病變組織的硬度信息對結(jié)節(jié)性質(zhì)進(jìn)行判斷，完善了圖像信息，進(jìn)而使診斷準(zhǔn)確率明顯提升[16-18]。目前，人工智能輔助評分系統(tǒng)在甲狀腺結(jié)節(jié)診斷中的應(yīng)用仍尚未完全成熟，普及率較低，仍有待進(jìn)一步研究。

綜上所述，人工智能輔助評分系統(tǒng)和超聲彈性成像在單獨(dú)診斷甲狀腺結(jié)節(jié)良惡性中均具有一定的局限性，二者聯(lián)合應(yīng)用對甲狀腺結(jié)節(jié)性質(zhì)的診斷價(jià)值更高。