European Radiology:深度学习辅助成分分类和甲状腺实性结节的诊断

最近，甲状腺结节的发现率越来越多高，成人甲状腺结节的患病率可高达68%。然而，这些结节大多数是良性的，只有7-15%是恶性的。目前，临床诊断甲状腺恶性结节的金标准是超声引导下细针穿刺活检(US-FNAB) 进行细胞学检查。然而，FNAB是一种侵入性操作，这不可避免地会导致患者的心理问题，并可能伴随并发症，如出血和感染，且手术的成功在很大程度上取决于手术者的经验和技能。因此，避免甲状腺结节的过度治疗和过度诊断是临床医生首要关注的问题。

超声检查 (US)被广泛用于确定甲状腺结节的良性或恶性。然而由于放射科医生的经验水平不同，US的诊断过程很容易受到主观因素的影响。此外，没有统一的诊断标准，这使得诊断过程更加困难。为了进一步标准化甲状腺超声报告、减少不必要的活检并预测甲状腺结节的恶性概率，美国放射学会(ACR)基于许多结节风险特征开发了甲状腺影像放射学和数据系统 (TI-RADS) 。然而，ACR TI-RADS有一定的局限性，评分系统并不完全统一且放射科医生的评分有点主观。

为了解决这些问题，迫切需要一种相对客观、方便的超声辅助诊断工具，帮助放射科医生判断甲状腺结节的成分，提高甲状腺结节诊断的准确性、减少不必要的穿刺活检。人工智能 (AI)在影像诊断方面具有独特的优势，尤其是深度学习 (DL)算法。AI节省了时间，并且不依赖于放射科医生的经验和技能，在检测方面表现非常出色。

近日，发表在European Radiology杂志的一项研究提出了一种基于深度学习(DL)的框架来识别甲状腺结节的组成并评估其恶性风险。

本项研究利用四家医院的超声图像进行了回顾性多中心研究。构建卷积神经网络(CNN)模型，对甲状腺结节超声图像进行实性、非实性、良恶性分类。总共使用了6784个结节的11201张图像进行训练、验证和测试，并以受者工作特征曲线下面积(AUC)为主要评价指标。

模型对实性甲状腺结节良恶性分级的AUC均大于0.91，其中Inception-ResNet AUC最高，为0.94。在测试集中，识别甲状腺良恶性结节的最佳算法敏感性为0.88，特异性为0.86。在人类与DL测试集中，最佳算法的灵敏度为0.93，特异性为0.86。Inception-ResNet模型优于资深医师(p < 0.001)。基于外部测试集的最优模型的灵敏度和特异性分别为0.90和0.75。  

表 Inception-ResNet模型与放射科医生在甲状腺良恶性结节中的表现比较

本项研究表明，CNN可辅助甲状腺结节诊断，并减少不必要的细针穿刺(FNA)率。

原文出处：

Chen Chen,Yitao Jiang,Jincao Yao,et al.Deep learning to assist composition classification and thyroid solid nodule diagnosis: a multicenter diagnostic study.DOI:10.1007/s00330-023-10269-z