精准医学时代甲状腺结节危险分层的“超声-细胞-基因”组学

徐辉雄

甲状腺结节诊治近年来成为关注焦点，一些争议持续存在。 部分学者认为存在过度诊断与过度治疗，也有部分学者认为低估了甲状腺癌侵袭性［1-3］。在庞大的甲状腺结节人群中，甲状腺癌不足5%。 如何有效地筛检出甲状腺癌患者，同时对甲状腺癌侵袭性进行精确分层，是当前亟待解决的关键临床和科学问题［3-4］。甲状腺结节危险分层的主要方法包括影像学、细胞学和基因检测。 影像学检查中以高频超声最常用，细胞学检查则多通过超声引导细针穿刺抽吸（fine needle aspiration，FNA）获取细胞以进一步检查，基因检测能对细胞学不能确定的结节或不典型结节作出准确诊断。 以上3 种方法互为补充，缺一不可，层层递进，构成了甲状腺结节危险分层体系的基轴［1-5］。

1 甲状腺结节危险分层的“超声-细胞-基因”体系

1.1 基于超声影像的甲状腺结节危险分层方法

超声是甲状腺结节首选影像学检查方法，它具有以下优势：实时、高分辨力、无创、无辐射、性价比高、操作简便、容易普及、准确性高。 超声诊断甲状腺结节主要基于超声图像上的可疑超声特征，如实性肿物、低回声（或显著低回声）结节、钙化、形态不规则或分叶状、纵横比＞1、颈部淋巴结转移或周围组织浸润等。 以上征象风险不一，在用于判断结节性质时，没有一个征象同时具有很好的灵敏度和特异度。一项meta 分析纳入31 个研究18 288 个甲状腺结节，发现上述征象的灵敏度为26%～87%，特异度为40%～93%［6］。由此带来一个问题，即不同年资或不同医院的医师诊断水平千差万别，让广大患者及临床医师无所适从。

在此背景下，多种基于超声影像的甲状腺结节危险分层方法应运而生，包括2015 年美国甲状腺学会（American Thyroid Association，ATA）发布的甲状腺结节危险分层系统，2016 年美国临床内分泌医师学会（American Association of Clinical Endocrinologists，AACE）、 美 国 内 分 泌 学 院 （American College of Endocrinology，ACE）和意大利临床内分泌协会（Associazione Medici Endocrinologia，AME）联合发布的AACE/ACE-AME 危险分层系统，以及2017 年美国放射学院（American College of Radiology，ACR）发布的甲状腺影像报告和数据系统（thyroid imaging reporting and data system，TI-RADS）［4，7-8］。 这些甲状腺结节危险分层方法标准化了甲状腺超声术语，简化了医师与患者、医师与医师间的交流，还使甲状腺癌风险程度及应采取的措施一目了然，在不同医院之间也可通过应用相同的系统构建共同的沟通基础，因而在临床上得到了广泛应用。

超声甲状腺结节危险分层方法显著提高了诊断甲状腺恶性结节的灵敏度，但特异度普遍较低；此外，目前并无全球统一的危险分层方法，也给实际应用及交流带来了不便。

1.2 超声引导FNA 细胞学检查

当具备临床适应证时，FNA 细胞学检查被各种甲状腺临床诊疗指南公认为最准确和性价比最高的检查方法。 FNA 灵敏度高（88.2%～97.0%），特异度较超声检查有所提高，但波动范围较大（47.0%～98.2%）。 FNA 细胞学检查结果多采用统一的Bethesda 分 类 系 统 （Bethesda system for reporting thyroid cytopathology，BSRTC），具体如下：Ⅰ类，不能诊断；Ⅱ类，良性；Ⅲ类，意义不明的不典型或滤泡性病变（atypiao fundetermined significance/follicular lesionofunde termined significance，AUS/FLUS）；Ⅳ类，滤泡性肿瘤或可疑滤泡性肿瘤；Ⅴ类，可疑恶性；Ⅵ类，恶性［4］。 根据不同中心的经验，Ⅰ类结节发生率为20%～25%，其中有20%～30%容易恶变；Ⅲ类结节有5%～30%恶变率；Ⅳ类结节FNA 无法作出准确诊断；Ⅴ类结节中仍有部分为良性。 Ⅲ、Ⅳ、Ⅴ类结节又统称为不确定（indeterminate）结节，发生率可高达 30%［4］。

因此，FNA 尽管有诸多优点，甚至被列为甲状腺结节首选检查方法，但仍存在特异性变化范围大、部分结节不能诊断、细胞学结果不确定等问题。FNA 结果也因为不同中心、不同操作者的穿刺标本取材结果、不同经验的病理医师而有所不同，加强规范化培训、 制定统一的指南可部分解决此类问题。 此外，基因检测在此基础上能提供更精准的解决方案。

1.3 FNA 联合基因检测

对FNA 抽吸到的细胞同时做基因检测，可以进一步提高诊断特异度和准确度，发现更多良性结节，从而减少不必要的手术。 目前研究较多的基因有 BRAF、RAS 基因突变以及 PET/PTC 基因重排等，其中 BRAF 基因突变在甲状腺乳头状癌（papillary thyroid carcinoma，PTC）中最常见，根据人种和检测方法不同，阳性率变化范围在29%～83%［4］。根据同济大学附属第十人民医院超声医学科暨上海市甲状腺疾病研究中心的一组资料，FNA 联合应用BRAFV600E基因检测后，诊断PTC 的灵敏度由75.7%升高至92.3%，准确度由78.7%提高至90.6%。BRAFV600E突变在 Bethesda 分类系统Ⅰ类、 Ⅱ类、Ⅲ类、Ⅳ类、Ⅴ类、Ⅵ类结节中的检出率分别为25%、26%、46%、20%、74%、89%［9］。 在细胞学结果良性结节中，也存在BRAFV600E基因突变阳性，此时若超声图像可疑征象超过2 项，仍应考虑甲状腺切除术。BRAFV600E基因也有少数假阳性情况。BRAFV600E突变还可用于预测 PTC 患者颈部淋巴结转移［10-11］。 最近的研究还发现HRAS/NRAS/KRAS 突变阳性的甲状腺结节中有76%为恶性，其中滤泡型PTC 最为常见。 HRAS/NRAS/KRAS 突变阳性恶性风险分别为92%、74%、64%。

除了以上基因外，半乳糖凝集素（galectin）-3、CD44 分子、 人骨髓内皮细胞（human bone marrow endothelial cell，HBME）-1、细胞角蛋白（cytokeratin，CK）19、 中性粒细胞明胶酶相关载脂蛋白（neutrophilgelatinase-associated lipocalin，NGAL）等也有学者进行了研究［12］。

最近研究发现在侵袭性甲状腺癌中，端粒酶逆转录酶（TERT）启动子突变发生率较高，TERT 启动子在甲状腺癌中较为常见的突变位点是C228T。 文献报道未分化甲状腺癌中TERT 启动子突变率为46.3%，低分化甲状腺癌为37.5%，PTC 为11.7%，滤泡性甲状腺癌为13.9%。 同济大学附属第十人民医院超声医学科暨上海市甲状腺疾病研究中心的一组资料发现，PTC 中TERT 启动子阳性率为4.8%；TERT 启动子（+）的甲状腺癌，直径更大、腺外侵犯更多、易累及血管、淋巴结转移及远期复发率高［13］。

表观遗传学改变（包括印迹基因印迹状态改变）出现在肿瘤发生前，起促进作用。 对印迹基因表达原位检测，可在细胞形态学发生改变前发现肿瘤进展，提高早期诊断率。印迹检测方法专注于新生RNA 内含子，而不是成熟的mRNA，以显示印迹基因的转录位点。 印迹基因检测理论上能够在细胞学和BRAF 均无法检出时，准确地检出恶性改变，因此具有极高的灵敏度和阴性预测值。同济大学附属第十人民医院超声医学科暨上海市甲状腺疾病研究中心在国内率先开展了甲状腺印迹基因的前瞻性研究，初步结果发现印迹基因能显著提升细胞学不典型结节的诊断性能，并且有望解决滤泡状腺瘤和腺癌细胞学乃至病理学难以鉴别的世纪难题。

综上，FNA 联合基因检测已成为甲状腺癌个体化精准诊断和治疗不可或缺的重要环节。

2 甲状腺结节危险分层“超声-细胞-基因”组学时代来临

2.1 基于超声组学的甲状腺结节危险分层方法

随着大数据和人工智能（artificial intelligence，AI）兴起，影像组学（radiomics）概念于 2012 年应运而生。 影像组学指高通量地提取大量影像信息，实现感兴趣区分割、特征提取与模型建立，进一步从中提取和剥离出真正起作用的关键信息，用于疾病的辅助诊断、分类或分级。 影像组学多基于机器学习（machine learning，ML）和深度学习（deep learning，DL）实现。 深度学习能够大幅提高分类或预测模型的准确性，但数据量需要传统影像组学的10 倍或百倍以上。 近年来机器学习和深度学习有融合发展的趋势，将深度学习网络输出的特征与影像组学中的经典分类器结合，能在有限的训练数据集上，进一步提升影像组学分类或预测的准确性和可靠性［14-15］。

超声组学（ultrasomics）是影像组学的一个重要分支。针对前述超声影像甲状腺结节危险分层方法的局限性，部分学者采用超声组学做了一些有益的探索。 Ma 等［16］采用卷积神经网络（convolutional neural network，CNN）分析了 15 000 幅超声图像，报道深度学习鉴别甲状腺结节良恶性的准确度约为83.0%。Li 等［17］采用另一种 CNN 模型，灵敏度为 93.5%，特异度为 81.5%。 Akkus 等［14］的一组资料发现 CNN 诊断甲状腺结节的灵敏度为 86%、特异度为90%。 中山大学和同济大学团队对1 040 个病例3 120 幅图像进行分析，发现超声组学和深度学习的准确性分别为66.8%和74.7%，深度学习方法具有更高的诊断效能［18］。Akkus 等［14］发现，当深度学习的灵敏度设置到最高值时，可以减少52%不必要FNA，同时不会漏诊恶性甲状腺结节，证实深度学习的应用有望改变甲状腺结节的诊疗流程。

同济大学附属第十人民医院超声医学科暨上海市甲状腺疾病研究中心赵崇克等建立了一种机器学习与视觉融合的超声组学方法，证实比传统的机器学习方法和TI-RADS 具有更高的诊断效能（AUC：0.900～0.917 vs.0.770～0.789 vs.0.681～0.689）；同时发现在引入剪切波弹性成像后，机器学习与视觉融合超声组学方法的诊断效能可得到进一步提升（AUC：0.951～0.953 vs. 0.900～0.917），证实基于双模态的机器学习方法在结节危险分层上具有重要价值，并且与TI-RADS 比较能显著降低不必要的FNA（30.0%～37.7% vs. 4.5%～4.7%）［19］。

超声组学在实际应用过程中仍存在不同超声仪器、不同医院、不同年资医师之间图像不一致问题，需要进一步统一仪器条件、统一图像标准、加强医师培训提供标准化的图像。 此外，需要进一步完善和标准化影像组学方法，尤其是在目前统一算法和流程尚不成熟的条件下。

2.2 基于基因组学的甲状腺结节危险分层方法

由于甲状腺肿瘤的基因异常靶点众多，人群中存在一定异质性，因此多分子联合检测应运而生，以提高诊断的灵敏度和特异度。 近年来，Afirma 基因表达分类（gene expression classifier，GEC）方法广泛用于诊断不确定细胞学检查结果的结节，该检测方法包括167 个差异表达基因。 有研究对49 个研究中心265 个无法判断细胞性质的结节进行前瞻性研究，证实GEC 对不典型增生的阴性预测值达到95%，滤泡状腺瘤达到 94%［3］。 Afirma GEC 可使 1/3不确定结节免于不必要手术［20］。

尽管Afirma GEC 方法被众多权威团队和指南推荐，但它对可疑结节的特异度和阳性预测值仍偏低。 近期，Afirma GEC 升级版Afirma 基因组测序分类（genomic sequencing classifier，GSC）引入临床。 与GEC 比较，GSC 对不确定结节的阳性预测值有较大提升（57.1% vs. 36.7%）［21］。 其他多分子组合还包括Thyroseq V2（包括 14 个基因-点突变、42 种融合基因、8 个基因表达）、Thyroseq V3（共 112 个基因，包括点突变，插入缺失、融合基因，拷贝数变异、表达异常等）。有报道发现对不典型增生/滤泡状腺瘤，术前FNA 联合Thyroseq V2 诊断甲状腺癌的灵敏度为 90.9%，特异度为 92.1%；另一组报道发现Thyroseq V3 的灵敏度为98.0%，特异度为81.8%，准确度达90.9%；因此，可以应用Thyroseq V2 和Thyroseq V3 来指导形成治疗策略［4，12，22］。

3 结论

总体看，精准医学时代的来临，使得根据“超声-细胞-基因” 组学特征对甲状腺结节进行危险分层成为可能。 针对甲状腺结节庞大人群，早期、精确、直观、量化、易行的诊断方法是开展甲状腺结节危险分层所追求的目标。 “超声-细胞-基因”组学体系的建立和不断完善，是实现这一目标的重要途经，同时也为各种新型诊疗方案的选择提供了重要依据［23-27］。