人工智能在甲狀腺結(jié)節(jié)超聲診斷中的應(yīng)用進(jìn)展

劉 旭 陳 琴 周 青

近年來(lái)，甲狀腺癌的發(fā)病率呈快速上升趨勢(shì)。2020年全球癌癥調(diào)查結(jié)果顯示甲狀腺癌發(fā)病具有女性多于男性、城市高于農(nóng)村的分布特點(diǎn)［1］。超聲作為甲狀腺病變的首選檢查方法，可在發(fā)現(xiàn)病灶的同時(shí)對(duì)其生物學(xué)行為進(jìn)行初步判斷，具有便捷、安全等優(yōu)勢(shì)，但存在一定的操作者依賴(lài)性。目前甲狀腺篩查已納入常規(guī)體檢，在增加了臨床工作量的同時(shí)，還因醫(yī)療水平差異等造成漏誤診或過(guò)度診療［1］。隨著人工智能的興起，通過(guò)計(jì)算機(jī)輔助醫(yī)師對(duì)圖像進(jìn)行識(shí)別與解釋?zhuān)岣吡嗽\斷準(zhǔn)確率和一致性，減少了圖像讀取時(shí)間，為醫(yī)師提供了第二種意見(jiàn)，成為醫(yī)學(xué)影像診斷學(xué)的重要研究主題之一。本文就人工智能在甲狀腺結(jié)節(jié)超聲診斷中應(yīng)用進(jìn)展進(jìn)行綜述。

一、甲狀腺結(jié)節(jié)的臨床診斷現(xiàn)狀

1.甲狀腺結(jié)節(jié)的病理診斷：目前診斷甲狀腺結(jié)節(jié)的金標(biāo)準(zhǔn)為病理檢查，獲取病理組織的主要方式有細(xì)針穿刺細(xì)胞學(xué)檢查（FNA）、粗針穿刺組織病理檢查（CNB）及手術(shù)。甲狀腺診治指南指出，對(duì)于直徑>1 cm 的病灶，尤其影像學(xué)提示惡性的甲狀腺結(jié)節(jié)，均應(yīng)考慮行FNA［2］。相比觸診盲穿，超聲引導(dǎo)下FNA（UG-FNA）具有更高的取材成功率［3］。結(jié)合超聲造影、彈性成像等技術(shù)可有效識(shí)別腫瘤活性部分，進(jìn)一步提高取材滿意度和診斷準(zhǔn)確率［4］。將UG-FNA 與基因檢測(cè)相結(jié)合可深入了解腫瘤的生物學(xué)行為并預(yù)測(cè)預(yù)后，在提高FNA診斷準(zhǔn)確率的同時(shí)實(shí)現(xiàn)個(gè)體化診治［5］。田姝琪等［6］發(fā)現(xiàn)FNA 聯(lián)合BRAFV600E基因檢測(cè)診斷甲狀腺影像報(bào)告和數(shù)據(jù)系統(tǒng)（TI-RADS）4類(lèi)結(jié)節(jié)的敏感性可達(dá)95.6%，且受試者工作特征曲線的曲線下面積（AUC）為0.970，高于FNA（0.873）和BRAFV600E基因檢測(cè)（0.778）單獨(dú)應(yīng)用。CNB主要用于FNA不能明確病變良惡性時(shí)，其診斷效能優(yōu)于FNA，所取組織更多，利于臨床尋找有效細(xì)胞，但未被納入臨床指南常規(guī)推薦，考慮原因在于CNB 更易引起出血、針道轉(zhuǎn)移等相關(guān)并發(fā)癥［7］。

2.甲狀腺結(jié)節(jié)的超聲診斷：目前臨床上評(píng)估甲狀腺病變的首選方法是超聲檢查。無(wú)論是觸診發(fā)現(xiàn)，還是其他影像學(xué)提示的“甲狀腺結(jié)節(jié)”均應(yīng)行頸部超聲檢查，不但可以確診病灶的存在，還可以明確病灶的數(shù)目、解剖位置、形態(tài)學(xué)特點(diǎn)、血供狀態(tài)、與周?chē)M織毗鄰關(guān)系，以及是否有頸部淋巴結(jié)轉(zhuǎn)移等。研究［8］表明，甲狀腺結(jié)節(jié)內(nèi)微鈣化是惡性腫瘤的特異性超聲表現(xiàn)；Brito 等［9］認(rèn)為縱橫比>1 對(duì)甲狀腺結(jié)節(jié)具有較好的惡性診斷價(jià)值，而囊性及海綿狀特征有預(yù)示良性作用；一項(xiàng)薈萃分析［10］表明，實(shí)性、低回聲、邊緣不規(guī)則、無(wú)暈環(huán)、微鈣化、中央血管化、孤立性結(jié)節(jié)、不均勻、縱橫比>1、彈性缺失均與甲狀腺惡性結(jié)節(jié)顯著相關(guān)，其中微鈣化、邊緣不規(guī)則、縱橫比>1具有較高的特異性（87.8%、83.1%、96.6%），而彈性缺失是診斷效能最高的單一征象（敏感性87.9%，特異性86.2%）。

為規(guī)范甲狀腺超聲診斷，TI-RADS 通過(guò)建立標(biāo)準(zhǔn)化用語(yǔ)詞典及相應(yīng)超聲特征的運(yùn)算規(guī)則，以分類(lèi)提示甲狀腺結(jié)節(jié)的良惡性。研究［11-12］表明中國(guó)指南C-TIRADS與美國(guó)放射學(xué)院發(fā)布的TI-RADS 均能較好地診斷甲狀腺結(jié)節(jié)且診斷效能相當(dāng)，相較于美國(guó)甲狀腺協(xié)會(huì)發(fā)布的TI-RADS 和Kwak TI-RADS 更具診斷優(yōu)勢(shì)，尤其在FNA 推薦數(shù)量及惡性檢出率方面表現(xiàn)良好，降低了不必要的FNA檢查率。

二、人工智能輔助診斷現(xiàn)狀

1.人工智能的發(fā)展進(jìn)程：人工智能是一門(mén)研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的新技術(shù)科學(xué)，涵蓋范圍廣。素有醫(yī)師“第三只眼”之稱(chēng)的計(jì)算機(jī)輔助診斷（CAD）系統(tǒng)［13］，可結(jié)合影像學(xué)、醫(yī)學(xué)圖像處理技術(shù)及其他可能的生理、生化手段，通過(guò)計(jì)算機(jī)分析計(jì)算輔助發(fā)現(xiàn)病灶，從而提高診斷準(zhǔn)確率。CAD 大致可分為4 個(gè)步驟：圖像預(yù)處理、特征提取、分類(lèi)器選擇、輸出結(jié)果。從傳統(tǒng)機(jī)器學(xué)習(xí)到人工神經(jīng)網(wǎng)絡(luò)，再到深度學(xué)習(xí)網(wǎng)絡(luò)（DL），從數(shù)十到數(shù)百層的神經(jīng)網(wǎng)絡(luò)構(gòu)建，CAD 系統(tǒng)越發(fā)高效、智能化。傳統(tǒng)機(jī)器學(xué)習(xí)需手工設(shè)計(jì)好特征提取器，需要大量的工程技能和領(lǐng)域?qū)I(yè)知識(shí)儲(chǔ)備，而DL 具有通用學(xué)習(xí)程序自動(dòng)學(xué)習(xí)的特性，可自行從原始圖像中提取復(fù)雜的特征層次［14］。目前，DL 已在圖像分割和分類(lèi)應(yīng)用中顯現(xiàn)出獨(dú)特優(yōu)勢(shì)，常用的算法包括堆疊自動(dòng)編碼器、深度玻爾茲曼機(jī)器、深度信念神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等［14］。在醫(yī)學(xué)圖像處理中，CNN最常用，包含多個(gè)卷積層、池化層及激活層。

2.甲狀腺結(jié)節(jié)超聲人工智能系統(tǒng)的開(kāi)發(fā)研究：目前醫(yī)療人工智能行業(yè)發(fā)展勢(shì)如破竹，而醫(yī)學(xué)影像作為其中最熱門(mén)的分支，發(fā)展尤為突出。超聲診斷在一定程度上受診斷醫(yī)師經(jīng)驗(yàn)水平及知識(shí)能力的限制和影響，工作量過(guò)大、醫(yī)師疲勞狀態(tài)也易造成診斷時(shí)對(duì)某些細(xì)微改變的疏漏，而CAD 具有客觀性，有助于糾正上述失誤并彌補(bǔ)其不足，甚至創(chuàng)造更大的應(yīng)用價(jià)值。為實(shí)現(xiàn)從二維超聲圖像中自動(dòng)檢測(cè)出甲狀腺結(jié)節(jié)，Ma 等［15］利用兩個(gè)不同的CNN 和一種新的分裂方法組成級(jí)聯(lián)CNN 系統(tǒng)，其AUC 可達(dá)98.51%。Wang 等［16］應(yīng)用YOLOv2 神經(jīng)網(wǎng)絡(luò)建立自動(dòng)圖像識(shí)別和診斷系統(tǒng)，具有與經(jīng)驗(yàn)豐富醫(yī)師相似的診斷敏感性和準(zhǔn)確率，尤其對(duì)甲狀腺良性結(jié)節(jié)的診斷能力更強(qiáng)。而Li等［17］通過(guò)收集三家醫(yī)院的超聲圖像集開(kāi)發(fā)并訓(xùn)練了一套深度CNN 模型，在識(shí)別甲狀腺癌方面顯示出與經(jīng)驗(yàn)豐富醫(yī)師相似的診斷敏感性和較高的特異性。Park 等［18］應(yīng)用4919 個(gè)甲狀腺結(jié)節(jié)的超聲圖像開(kāi)發(fā)了基于DL 的CAD 系統(tǒng)，該系統(tǒng)的總體敏感性、特異性、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值與經(jīng)驗(yàn)豐富醫(yī)師比較差異均無(wú)統(tǒng)計(jì)學(xué)意義，但其特異性、陽(yáng)性預(yù)測(cè)值和準(zhǔn)確率均高于基于支持向量機(jī)聚類(lèi)算法的CAD 系統(tǒng)，差異均有統(tǒng)計(jì)學(xué)意義（均P<0.05）。為使智能模型具有可解釋性，Thomas 和Haertling［19］開(kāi)發(fā)了圖像相似度模型，較各種TI-RADS 風(fēng)險(xiǎn)評(píng)估系統(tǒng)具有更好的診斷敏感性、特異性和陽(yáng)性預(yù)測(cè)值，可有效降低主觀性，減少不必要的活檢。Nguyen等［20］為提高甲狀腺結(jié)節(jié)分類(lèi)系統(tǒng)的性能設(shè)計(jì)了基于兩個(gè)域（DL 的空間域和快速傅立葉變換的頻域）的圖像特征提取方案和級(jí)聯(lián)分類(lèi)器方案，將甲狀腺結(jié)節(jié)分類(lèi)總體準(zhǔn)確率提升至90.88%，并表示深層網(wǎng)絡(luò)較淺層網(wǎng)絡(luò)更適合用于結(jié)節(jié)分類(lèi)。

3.人工智能在甲狀腺結(jié)節(jié)超聲診斷中的臨床應(yīng)用：目前甲狀腺相關(guān)的CAD 系統(tǒng)主要有安克偵、S-Detect、AI-SONICTMThroid。其中，安克偵主要在良惡性病變特征的預(yù)設(shè)下，通過(guò)計(jì)算機(jī)對(duì)結(jié)節(jié)區(qū)域的超聲特征進(jìn)行量化，從而預(yù)測(cè)結(jié)節(jié)良惡性［21］。研究［22］表明安可偵的診斷敏感性與具有5年經(jīng)驗(yàn)的超聲醫(yī)師相似，且該系統(tǒng)與超聲醫(yī)師聯(lián)合應(yīng)用的診斷效能高于單獨(dú)應(yīng)用。S-Detect 是已被集成入超聲診斷儀的CAD 系統(tǒng)，分為基于機(jī)器學(xué)習(xí)的支持向量機(jī)模型S-Detect 1 和基于CNN 的DL模型S-Detect 2。研究［23］表明S-Detect 的診斷敏感性與資深超聲醫(yī)師相似，且僅具有基本超聲技能的醫(yī)師聯(lián)合S-Detect 的診斷準(zhǔn)確率可提高6%［24］，但其特異性較低，尤其對(duì)甲狀腺濾泡癌的診斷準(zhǔn)確率僅48.6%，明顯低于超聲醫(yī)師（60.9%）［25］。AI-SONICTMThroid 是國(guó)內(nèi)自主研發(fā)的深度學(xué)習(xí)框架所構(gòu)建模型，具有與高年資醫(yī)師相似的診斷效能，能有效提高低年資超聲醫(yī)師的診斷準(zhǔn)確率，其中回聲、鈣化、圖像質(zhì)量、結(jié)節(jié)大小等均可影響診斷結(jié)果［26］。

總之，CAD 系統(tǒng)在甲狀腺結(jié)節(jié)診斷中具有一定的臨床價(jià)值，尤其對(duì)于低年資超聲醫(yī)師而言。但目前臨床應(yīng)用中CAD系統(tǒng)僅對(duì)靜態(tài)圖像進(jìn)行處理與分析，對(duì)操作者具有較強(qiáng)的依賴(lài)性，多切面分析有助于克服因操作手法導(dǎo)致的診斷信息采集不全面，但無(wú)法完全避免該不足。

三、人工智能的不足與發(fā)展

如今人工智能技術(shù)的發(fā)展已推動(dòng)了現(xiàn)代醫(yī)學(xué)影像診斷向智能診斷邁進(jìn)，固然DL 的相關(guān)研究已頗有成果，但其無(wú)法人為解釋的“黑匣子”問(wèn)題仍是研究的重點(diǎn)，智能信息化所帶來(lái)的信息安全、責(zé)任劃分等問(wèn)題仍亟待妥善處理［27］。人工智能是一個(gè)多學(xué)科、多領(lǐng)域交叉聯(lián)合的學(xué)科，特別是醫(yī)學(xué)領(lǐng)域的智能化需要更多高水平專(zhuān)科醫(yī)師與科研工作者共同參與，互相促進(jìn)，從而構(gòu)建安全穩(wěn)定、合理有效的臨床診斷與應(yīng)用系統(tǒng)。

綜上所述，超聲作為甲狀腺結(jié)節(jié)首選檢查方式，可有效檢出病變并對(duì)其生物學(xué)行為進(jìn)行初步判定，但其受經(jīng)驗(yàn)差異、主觀意識(shí)影響較大。人工智能可有效彌補(bǔ)上述不足，自動(dòng)檢出病變，通過(guò)圖像處理對(duì)病變進(jìn)行客觀量化分析，減少漏誤診，從而有效提高診斷準(zhǔn)確率，但其缺乏透明化、安全合法等問(wèn)題仍需重視并妥善處理。