人工智能辅助评分系统联合超声弹性成像诊断甲状腺结节良恶性的价值

宋林科,姜 珏,王 娟,周 琦

(西安交通大学第二附属医院 医用超声研究室,陕西 西安,710004)

二维超声具有实时、动态、无辐射、价格低廉、可重复性强等优势，已成为临床诊断甲状腺结节的首选手段，但其判断结节性质的价值有限[1]。超声弹性成像技术是通过不同组织的硬度差异来评估组织的良恶性，具有重复性好，能够定量诊断等优点，但易受操作者经验、病变钙化及纤维化、病变生长位置等因素影响[2]。近年来，人工智能辅助诊断系统在甲状腺超声诊断中发挥出独特优势，能够明显降低工作强度，提高工作效率及诊断准确性，尤其是可以快速、实时、有效地评估甲状腺结节良恶性，但也受医师经验、结节大小等影响[3]。本研究探讨甲状腺人工智能辅助评分系统联合超声弹性成像技术诊断甲状腺结节良恶性的价值，现报告如下。

1 资料与方法

1.1 一般资料

选取2019年6月—2020 年6月在本院行甲状腺结节超声检查的患者414例(共543个结节)，所有患者病理和影像学资料均完整，排除具有甲状腺手术史的患者。男136例，女278例，年龄24～68岁，平均(44.39±10.04)岁，结节直径0.70～4.20 cm,平均(1.87±0.69) cm。

1.2 方法

由1名工作年限超过10年的医师应用LOGIQ E9彩色多普勒超声诊断仪(美国GE公司)采集甲状腺结节超声图像，采用高频线阵探头，频率设置为6.5～13.0 MHz,选择Thyroid 模式。嘱患者自然仰卧，充分暴露颈部，严格按照陕西省超声质控中心的质控要求对其甲状腺进行多切面、全方位扫查，必要时调整探头频率及患者头颈部位置。每个结节选取3张像素清晰、特征明显、能够全面反映结节细节的二维超声图像，直接以DICOM格式传输至甲状腺人工智能辅助诊断系统(AI-SONICTMThyroid),对甲状腺结节进行评分，记录结节数字评分的最大值，评分数值越大提示结节恶性的可能性越高，同时以取样框颜色区分(绿色提示良性,0～0.39分;橙色提示可疑,0.40～0.59分;红色提示恶性,0.60～1.00分)。见图1。

随后切换至助力式超声弹性成像模式，将感兴趣区(ROI)设置为病变组织的2～3倍，轻压探头，使压力值为3～4,获取超声弹性成像图。测量甲状腺结节的应变率，记录为A,随后对同一层面正常的甲状腺应变率进行测量，记录为B。测量3次，取A、B的平均值，计算甲状腺结节的应变率比值(SR),SR=B/A,见图2。

1.3 观察指标

以病理学检查结果为金标准，分析人工智能评分(AIAS)、SR以及两者联合诊断甲状腺结节良恶性的价值。

1.4 统计学方法

2 结 果

2.1 病理检查结果

543个甲状腺结节中，病理检查结果证实，恶性病变339个(62.43%),包括乳头状癌309个，滤泡状癌30个，设为恶性组;良性病变204个(37.57%),包括结节性甲状腺肿172个，甲状腺腺瘤21个，淋巴细胞性甲状腺炎11个，设为良性组。

2.2 甲状腺结节良恶性的AIAS和SR比较

良性结节的AIAS、SR均低于恶性结节，差异有统计学意义(P<0.05)。见表1。

表1 甲状腺结节良恶性的人工智能评分和SR比较

2.3 AIAS、SR诊断甲状腺结节良恶性的联合诊断分析

将AIAS、SR纳入二元Logistic回归分析，回归方程Logit(P)=-12.508+1.135SR +12.622AIAS。联合预测因子=SR+AIAS×(12.622/1.135)。AIAS与SR联合诊断下，良性组联合预测因子为(7.32±2.71),恶性组为(14.85±2.35),差异有统计学意义(P<0.05)。

2.4 AIAS、SR和联合诊断的ROC分析

AIAS与SR联合诊断的AUC均高于AIAS和SR的AUC,差异均有统计学意义(P<0.05),SR和AIAS诊断的AUC比较，差异无统计学意义(P>0.05)。联合诊断的灵敏度、特异度和准确率均高于AIAS和SR，差异有统计学意义(P<0.05)。见表2。

表2 AIAS、SR和联合诊断的ROC分析

3 讨 论

甲状腺结节常因体检、颈部不适或甲状腺功能异常而被发现，早期诊断后的治愈率较高，患者预后一般较好[4-5]。目前，高分辨率超声检查设备可获得质量更优的甲状腺超声图像，但甲状腺结节的常规二维声像图复杂多变，良恶性结节重叠、融合存在。彩色多普勒血流成像既可以表现为丰富血流，也可以表现为缺乏血供，有些结节既具备良性病变的特点，又具有恶性病变的特征，导致医师仅从常规二维声像图上很难判断其良恶性[6]。人工智能技术主要是利用计算机代替人工识别二维超声图像，简化工作流程。研究[7]证明，人工智能辅助系统能显著提高低年资医师诊断甲状腺结节的准确率。超声弹性成像技术通过获取病灶组织硬度信息诊断甲状腺结节良恶性，其中SR在诊断甲状腺结节性质中更为客观，且能够对病灶组织的弹性评分进行定量评价[8]。

本研究发现，良性组和恶性组的AIAS和SR差异有统计学意义(P<0.05),提示两者均可作为甲状腺结节良恶性的诊断方法。人工智能辅助评分系统AI-SONICTMThyroid是DEMETICS超声诊断机器人的一个子系统，德尚韵兴医疗科技根据自主研发的深度学习框架Light3，自主设计了一些网络层和旋转不变层，其优势是在专家标注的大量样本上，计算机可以逐个像素、超快速地捕捉到很多无法用语言来描述的特征及某些肉眼较难以观察到的精细病变组织结构等，不需要人为设定特征，从而实现对甲状腺结节良恶性的智能化判断。研究[9]发现，人工智能技术实现对二维超声图像的定量化分析，摒弃了传统的描记，操作便捷，与病理诊断结果的一致性较高。本研究发现，人工智能辅助评分系统诊断下的灵敏度为87.02%,特异度为86.27%,与王洪杰等[10]报道的89.58%和83.21%相近。超声弹性成像技术可有效反映病变组织的硬度变化，甲状腺良性结节内部成分以胶体、滤泡等为主，质地偏软，弹性较高;甲状腺恶性结节的细胞分化程度多样，纤维成分较为丰富，砂粒体较多，硬度偏高，弹性较差[11]。研究[12]发现，超声弹性成像技术对甲状腺结节的诊断灵敏度为88.90%,特异度为91.80%,与本研究的81.70%和90.20%相近。

本研究中，联合诊断下的AUC、灵敏度和特异度均优于AIAS和SR单独诊断。分析原因为:AIAS能够对异常区域超声图像特征进行有效分割、提取和量化，对结节的良恶性进行评估，减少医师的主观判断对结果的影响[13]。但在人工智能诊断中，未与患者甲状腺正常组织进行对比，并可受结节的直径、位置、粘连或者中等回声等影响，降低结节识别率[14]。SR为病变组织与正常组织弹性的比值，排除了呼吸对结果的影响，在反映病变组织硬度中具有一定的优势，但在具体诊断时，可因组织钙化、桥本氏甲状腺炎等影响，使病变周围组织硬度增高，导致诊断准确率下降[15]。AIAS和SR联合诊断下，可实现优势互补，在对结节形态学特征分析的基础上联合病变组织的硬度信息对结节性质进行判断，完善了图像信息，进而使诊断准确率明显提升[16-18]。目前，人工智能辅助评分系统在甲状腺结节诊断中的应用仍尚未完全成熟，普及率较低，仍有待进一步研究。

综上所述，人工智能辅助评分系统和超声弹性成像在单独诊断甲状腺结节良恶性中均具有一定的局限性，二者联合应用对甲状腺结节性质的诊断价值更高。