人工智能辅助超声对甲状腺结节检出的研究进展

王洪杰，于 霞，张恩东

（山东省威海市妇幼保健院①医疗设备科，②超声二科，③耳鼻咽喉-头颈外科，山东 威海 264200）

近年来，随着图像识别、深度学习及神经网络等关键技术的突破，人工智能也已应用于各行业，其在医疗中的应用与发展也越来越受到关注［1-3］。医学影像数据量大并采用统一的DICOM标准，因此有望成为人工智能最先实现突破的领域。多个顶级期刊近期都发表了人工智能在医学领域的评论［4-6］，综述了人工智能在医疗健康领域的现状与未来发展［5］，以及人工智能在肿瘤影像的应用与挑战［6］。超声在甲状腺结节的术前评估、术中引导以及术后评价等方面有其他影像技术无可替代的作用［7］，传统判定甲状腺良恶性病变多采取手术或穿刺，穿刺对甲状腺结节大小的要求较高，易漏诊；手术对甲状腺功能影响较大，患者需长期服药，所以采取无创的检查方法有着重要意义。随着医学人工智能迅速发展，计算机辅助诊断（computer-aided diagnosis，CAD）作为前沿医学技术广泛用于临床［8］，笔者就人工智能在甲状腺结节检出中的应用及研究进展进行阐述。

1 不同发展阶段人工智能在甲状腺结节中的应用

甲状腺结节是甲状腺疾病的常见体征之一，超声因动态实时、无辐射、价格低等优势，是目前评估甲状腺结节的首选方法［9］。人工智能检测甲状腺结节经历了图像处理法、计算机辅助诊断、深度学习等过程。

1.1 图像处理法 图像处理是早期检测甲状腺结节的方法，首先对甲状腺结节图像预处理，后通过匹配或基于规则等方法找出相对应结节，并提取其分割特征，匹配出候选结节与已经结节的相似度，检出甲状腺结节，此方法具有较高的敏感度与特异度，但假阳性率偏高［10］。

1.2 计算机辅助诊断 随着机器学习的发展，人们可通过特征提取和特征选择，对甲状腺结节进行分类识别及结果输出。1966年LEDLEY等［11］首次提出CAD，通过医学影像处理技术，如图像采集、图像预处理、ROI分割、特征提取和分类识别等，结合计算机分析，辅助发现病灶，以提高诊断准确率。CAD可弥补图像处理法中假阳性率较高的不足，实现结节的检出［12］。

1.3 深度学习 深度学习模型直接对图像信息进行处理，对甲状腺结节检出一步到位。深度学习是由人工神经网络（artificial neural network，ANN）算法演变而来，其神经网络算法包括卷积神经网络（convolution neural network，CNN）、高级卷积神经网络（advance convolution neural network，ACNN）、深度神经网络（deep neural networks，DNN）等［13］。CNN主要由输入层、卷积层、池化层和输出层组成，该算法通过卷积与池化不停重复的过程自动对图像进行特征提取和降维，由一个或多个完全连接层组成，能够通过多个中间层捕获输入和输出之间的高度非线性映射，可训练的卷积滤波器，局部邻域池操作和归一化操作在输入上交替执行，并生成从低级特征到高级特征复杂的层次结构，在训练过程中通过将分类结果与已知类别标签对比不断改进提取的特征，自动识别甲状腺结节，因此常能获得令人满意的分类结果。

2 人工智能辅助诊断甲状腺结节的应用流程

人工智能辅助诊断可通过量化灰阶参数，客观、定量地分析甲状腺结节的图像特征。但目前尚处于不段改进阶段，未有研究评估影响甲状腺诊断准确性的相关因素，不能作为最终诊断，最终影像诊断需由超声科医师确定［14］，主要流程包括［15-16］：①图像预处理，收集甲状腺结节图像，并对图像进行标记、去噪、分割、增强、平滑等；②模型建立，对图像通过CNN进行训练，通过迁移技术得到合适的模型；③甲状腺检测，新采集的甲状腺图像，通过训练模型，检测甲状腺结节，判定良恶性，给出进一步检查或随访建议；④超声医师根据人工智能辅助诊断结果进行判断，作出最终诊断［17-18］；⑤模型的优化与改进，对模型误判读的图像，根据手术病理及超声科医师判断结果进行反馈，不断优化模型，进一步提高准确率。

3 人工智能对甲状腺结节的检出效能及影响因素

高清晰甲状腺彩色多普勒超声检查是评估和随访甲状腺结节的首选和常规影像学检查方法，通过了解结节大小、位置、组成、回声、是否钙化、纵横比、血流状况和颈部淋巴结情况，辨别良恶性。研究［19］发现，人工智能可辅助提高甲状腺结节的检出率，临床应用价值较高。人工智能检测甲状腺结节需综合判断，前期重点标注恶性程度较高的特征，如微小钙化、明显低回声、结节内部血流丰富紊乱、边缘不规则、结节横截面前后径＞左右径（纵横比＞1）及伴同侧颈淋巴结异常（脂肪淋巴门消失、圆形外观、高回声、囊性变、微小钙化、周围血流丰富紊乱等）等。

4 人工智能在甲状腺结节检出中的优点

人工智能由于图像处理法很少单独应用，在甲状腺结节检出时多与CAD结合以降低假阳性率［12］。研究［20］发现，以支持向量机为代表的CAD学习法在检出甲状腺结节时尤其在甲状腺结节数据集信息较少的情况下，对计算机硬件要求较低，成本也低于深度学习，但其在特征选择上存在不足，由于CAD在甲状腺结节检出中采用人为设计的特征提取进行选择，易造成部分结节信息丢失，而深度学习则可同时完成结节定位、分割和分类。在定位上，由于CNN具有图像特征位移不变性，对学习到的特征可从图像的不同位置中提取出来，不会因结节位置多变和体积较小导致检出率下降，具有较好的泛化能力。在结节分类上，深度学习实现从原始图像输入到最终分类的映射，消除CAD手工设计特征对最终分类的影响。虽然CNN对图像物体的分类与定位具有较强优势，但对甲状腺结节的检出也存在不足，需对医师标注过的甲状腺图像进行学习，而医师标注质量的高低直接决定了学习质量及模型的效能。CNN的算法目前还属于黑盒子状态，其对甲状腺结节检出原理尚无法解释［21］。目前，虽然美国食品药品监督管理局（Food and Drug Administration，FDA）已经批复部分人工智能产品，但我国国家食品药品监督管理局尚未批准。

5 人工智能检测甲状腺结节的发展趋势

人工智能在甲状腺结节检出中已取得较大进步，但仍存在较多问题，大多数CAD需要医师对图像进行完整、精确地标注，对图像标注质量要求较高且工作量巨大。目前，李晓峰等［22-23］在图像分类算法及图像识别方法的研究具有代表性，而CHANG［24］的研究主要关注CAD软件的商业化，其参与的甲状腺CAD诊断软件系统是全球唯一通过美国FDA及欧盟CE认证的人工智能辅助诊断系统，截至目前已在欧美、澳大利亚等国家进入临床使用推广阶段。深度学习是近年来机器学习领域的关键突破和研究热点之一，无需人工设置提取特征，计算机从数据中自主学习规则，更加高效可靠，具有强大的特征学习能力，从而有利于解决检测及分类问题，也是当前图像处理和分析领域的研究热点。为提高效率，可采用迁移学习的方法，把训练好的模型参数迁移至另一个模型中以训练新模型，实现样本重复利用，优化学习效率。

6 人工智能检测甲状腺结节的建议

人工智能检测甲状腺结节，目前在技术和数据上均有一定优势，但仍存在模型种类单一、模型性能不稳定等问题，完全对接临床开放式使用场景存在一定困难。数据是人工智能所需的核心资源［25］，仅掌握算法而缺乏足够数量和质量的数据无法获得较好的训练结果［26］。目前的训练数据常由各科研单位自己标注，监督学习的技术本质是算法训练与产品测试，使用的数据集对全生命周期的质量控制和风险管理有重要意义。建议成立标准委员会，规范图像标注方法，统一图像征象认识、标注方法、分割方法、量化方法等，培养专业的图像标注团队，保证训练用标注数据的质量；建立模型检测标准数据库，研制出模型评价体系与标准，以保证人工智能产品的质量［27］。

随着医学大数据时代的来临，医学的发展需多学科交叉，CAD在医学研究及临床实践中越来越受到重视，深度学习是机器学习的一个分支，更适合解决大数据问题，可通过在给定数据集上训练模型来完成新数据上的特定任务，其已成为机器学习领域最热门的研究方向之一，被广泛应用于医学影像分析中。与传统学习方法不同，深度学习无需对图像预处理及特征预选择，也无需对图像进行复杂处理，降低了对数据质量的要求，可更客观地分析图像信息。基于人工智能的超声甲状腺检出，对降低超声科医师的工作强度、减少漏诊等有明显的临床意义。目前人工智能技术仍存在一些不足，如应用场景单一，多数集中在肺结节、甲状腺结节的筛查，未来需搭建医工结合平台［28］，提供更多合作交流机会。临床医师也应进行培训，并开展甲状腺人工智能多模态成像等方面的研究，进一步提高其诊断准确率［29］。大多医师认为人工智能领域最大的问题是缺乏行业标准和相关知识，并对其产品可信度和应用后法律责任划分等表示担忧；今后加强人工智能相关知识和政策法规的普及学习，建立规范化大样本数据中心，提高产品的泛化性和鲁棒性，将有助于解决这一问题［30］。