人工智能在甲状腺超声诊断中的应用进展

肖丹丹，刘燕娜，章春泉

(南昌大学第二附属医院超声科，南昌 330006)

21世纪以来甲状腺疾病发生率及检出率呈上升趋势，甲状腺超声诊断是甲状腺疾病筛查的主要辅助检查，是诊断甲状腺癌的首选检查方法。临床上诊断甲状腺结节多采用甲状腺触诊、超声检查、超声引导下细针穿刺，或者结合超声造影、弹性成像。然而，甲状腺超声分级版本多，存在局限性和特征权重不合理，在很大程度上影响了疾病的诊断；同时人工主观判断容易存在误差，日常检查时间不足、工作量大；超声图像伪像干扰，超声诊断仪器性能不同造成图像的差异；即使甲状腺超声造影、弹性成像可以一定程度提高诊断准确率，也往往会有经济、时间方面的限制。近年来随着科学技术发展，人工智能(AI)在医疗领域方面的应用发展迅速，使得医生的工作负担减轻、效率提升、诊断准确率提高[1]。本文就AI在甲状腺超声诊断中的应用和研究现状作一综述。

1 AI在医疗领域的应用

人工智能作为一门对人意识、思维过程进行模拟的新学科，目前已充分地融入人们工作与生活，影响并改变各行业、各领域。AI在医疗领域的应用广泛，主要在疾病的诊疗与预测以及医院信息化建设上[2-3]。在医院信息化建设方面，AI对医疗大数据的存储管理进行优化，如疾病数据库的建立、智能化医嘱录入、自动结构化电子病历等；在疾病的预测方面，AI医疗监控个体健康信息，能够及时发现急性病、高危病患者，对慢性病患者进行管理，对重大流行疾病进行防控；在疾病的诊疗方面，AI医疗最小化诊断测试成本，提高医疗服务水平，如胸部CT的AI系统在新冠肺炎筛选与诊断中的应用，在互联网协助下使用机械臂完成手术的远程医疗，基于多专科AI辅助诊断系统的互联网云医院[4]等。AI在医疗领域的应用将解决社区优质医疗资源不足的问题，改变医疗模式，推动医学发展。AI影像诊断是AI在临床发展速度最快、应用范围最广的领域，超声诊断在影像诊断中具有实时动态、无创便捷的独特性，AI辅助超声诊断发展前景可观，譬如结节自动判读、智能超声产检、智能心脏超声检查等应用已经日渐成熟。

互联网赋予大众前所未有的信息资源及话语权，通过网络渠道，社会主体对经济政策、社会事务、公共服务、环境保护等公共议题直接提出诉求、期望和建议， “倒逼”政府部门采取措施和行动来回应民意，在客观上促成了政府决策主体的多元化。大众参与到决策制定中来，成为实质性的社会治理主体，社会公众的知情权、监督权和表达权通过网络渠道得以彰显，这些挑战驱动着政府决策模式进行创新。

2 AI在甲状腺结节超声诊断中的应用

目前在AI辅助甲状腺超声诊断中，AI在甲状腺结节超声诊断中的应用最为广泛。甲状腺恶性结节以乳头状癌占绝大多数，其次为滤泡腺癌、髓样癌。甲状腺良性结节包括结节性甲状腺肿以及甲状腺腺瘤。甲状腺结节的超声声像与其病理组织学分类间存在一定的相关性[5-6]。病理为诊断甲状腺结节的金标准，但术前甲状腺细针穿刺存在着有创性、假阴性的不足，AI联合超声诊断具有无创便捷、提高诊断效能的特点，给甲状腺结节术前检查带来前所未有的改变。

2.1 机器学习在甲状腺结节超声诊断中的应用

机器学习是AI研究的核心技术，早在20世纪90年代已经应用于医学领域，主要被用于分类和预测[7]，首先提取超声图像特征，进行纹理分析、图像分割，然后通过分类器，达到诊断的目的。

有研究[22]表明，超声图像上结节边缘及晕环往往由结节本身包膜、周围绕行血管、周边实质受压萎缩、炎性渗出构成而来，边缘及晕环不规则是诊断滤泡性癌的一项重要指标。SEO等[23]对230例甲状腺滤泡型腺瘤和77例滤泡癌的结节边缘轮廓的特征分析，沿结节边缘轮廓采样，从原始图像中提取一些非图像化信息，输入到数据集，训练构建的模型在鉴别甲状腺滤泡腺瘤和滤泡癌的超声图像的上准确率可达89.51%，相比之下，基于完整图像构建的模型不仅准确率较低，而且图像的识别率低。SHIN等[24]开发了基于支持向量机(SVM)和人工神经网络(ANN)的模型，对超声图像进行分割，提取出96个影像学特征，以10个显著特征作为最终输入变量，研究比较了2种分类模型与2名经验丰富超声科医生识别甲状腺滤泡型腺瘤和滤泡癌的表现，ANN分类模型、SVM分类模型、人工识别的准确率分别为74.1%、69.0%、64.8%，2种分类模型在滤泡性肿瘤的鉴别中诊断效能均高于超声科医生，SVM分类模型的敏感性高于ANN分类模型，而ANN分类模型的准确性及特异性高于SVM分类模型。然而，甲状腺滤泡癌的发病率较低，模型的构建和验证难以在更大数据集上得到实现，大样本量仍是AI在甲状腺滤泡性肿瘤超声诊断中进一步研究的关键。

术前甲状腺细针穿刺可以准确诊断甲状腺乳头状癌，相比之下，细胞学病理无法完全地区分滤泡性腺瘤与滤泡癌，即使术中快速冰冻切片也存在误诊，这些结节被归类为甲状腺滤泡性肿瘤，需要在术后进行组织学病理检查，以及免疫组织化学检测以辅助确诊[20]。甲状腺超声可以对典型的滤泡性腺瘤做出诊断，但部分滤泡性腺瘤和滤泡性腺癌声像重叠，无法鉴别，往往需结合淋巴结转移情况综合分析[21]。如何避免甲状腺滤泡性肿瘤患者接受不必要的手术，做到术前明确诊断甲状腺滤泡性肿瘤良恶性，一直是备受关注的问题，AI辅助诊断甲状腺滤泡性肿瘤超声诊断，为鉴别滤泡性肿瘤良恶性找到新的突破口。

2.2 CNN网络模型在甲状腺结节超声诊断中的应用

③对刀：分别用1、2、3号刀试切端面和外圆，设置好刀偏表，并用“X磨损”留好0.3的余量，为粗、精车做好准备。

经典的CNN网络模型主要有LeNet、AlexNet、GoogleNet、VGGNet、ResNet，这些网络模型各有优劣，LeNet最早用于数字识别，对于复杂问题的处理不理想；2012年Alex开发的AlexNet，将CNN乃至深度学习再次推向研究热潮，使得在大量复杂数据中学习成为可能。利用改进的AlexNet，左东奇等[12]提高了对甲状腺结节内点状钙化特征提取的准确性，通过选取的8416张钙化结节图像和10844张无钙化结节图像验证，准确率达86%,为识别恶性结节内钙化与良性结节囊壁钙化提供了有效分析方法。AlexNet通过增大网络层数来获得更好的训练效果，但层数的增加会带来负作用，而GoogleNet可高效地利用计算资源，在相同的计算量下提取到更多的特征，从而提升训练结果。迟剑宁等[13]利用GoogleNet将图像的深层次特征和浅层次纹理特征统一融合，对甲状腺结节进行分类，获得满意的效果。SONG等[14]开发了一个基于GoogleNet的Inception-V3网络模型深度学习方法，应用于甲状腺结节超声图像的评估中，有助于临床医生识别良性结节，避免不必要的甲状腺细针穿刺活检。

2.3 AI在甲状腺结节超声诊断中的新进展

基于AI的甲状腺结节超声检查，在结合甲状腺影像报告及数据系统(TI-RADS)的基础上取得了很好的成果，CHI等[15]首次尝试将深度学习方法与人工TI-RADS评分系统相结合，建立一个甲状腺结节的CAD系统，选用3942个结节作为训练集，693个结节作为验证集，提高评估性能，使分类准确率达98.29%，值得注意的是，该系统能够消除超声医师主观判断误差，为定期甲状腺超声检查的患者带来方便，然而该研究未建立在病理结果的基础上，未对样本的TI-RADS评分与其实际病理良恶性结果进一步探讨。随着AI的深入研究，针对甲状腺结节的诊断系统软件已经实现了商业转化，首个商用甲状腺超声CAD系统S-Detect[16]能够内置于超声系统中，使其更便捷、实时地应用于临床环境中。ZHANG等[17]采用RF分类器建立一个计算机辅助诊断系统，在一般超声图像特征的基础上增加弹性成像的特征，弹性成像采用Asteria 4级评分，0—Ⅱ级被认为良性，Ⅲ—Ⅳ级被认为恶性，组成2个不同数据集(常规超声特征的数据集、常规超声特征附加弹性成像特征的数据集)，输入到不同算法进行分析与参数微调，比较该诊断系统与训练有素的超声科医生识别甲状腺结节良恶性的表现，结果显示，基于弹性成像和常规超声特征的诊断系统准确率为85.7%，高于超声医师的准确率(83.3%)，同样也优于仅基于常规超声特征的诊断系统(准确率为84.0%)。尽管该诊断系统在附加弹性成像特征后表现出较高的准确率，但应用时需要手动判断弹性评分，大大降低了其实用价值。目前，甲状腺结节超声图像的特征提取已经实现了自动化，ZHOU等[18]提出一个高度自动化的深度学习影像组学的模型，能自动提取特征，在不同超声仪器的应用下性能不受影响，研究者设计了一个简单的触发点，在超声图像上以触发点为中心，切割出3个大小不同的方形感兴趣区域，输入到神经网络中，由于这种多重感兴趣区的方式不仅关注了每个结节内部，还对结节外部邻近区进行了分析，从而使该模型得到更高的准确率。首个以超声图像为预训练的线上迁移学习系统[19]，收集5602个甲状腺结节(其中良性结节4291个，恶性结节1311个)建立模型，拥有比自然图像预训练的迁移学习模型更高得准确率(达98%)，可完整地融入到临床甲状腺超声检查的常规工作流程中。

计算机辅助诊断(CAD)应用于甲状腺超声，将超声图像中灰度值量化后提取特征，往往可能存在人为量化的不稳定、不准确性，而人工神经网络在这方面有很大提高，它是机器学习中比较接近生物神经网络特性的数学模型，是一种可被训练从一组数据中归纳学习的AI形式，首先从原始数据中学习，然后在基础上建立自身表达，重复这个过程，得到更高层次的表达，根据研究问题和数据的特征进行学习的调整。人工神经网络包括CNN，CNN更具有归纳推理和决策能力，能够从经验中学习，是目前用于图像处理的主要人工神经网络工具。

3 AI在甲状腺滤泡性肿瘤超声诊断中的应用

社区医养体系的构建需要依靠网络系统的服务支持,当前,社区需要建立一套养老服务和老年医疗保健信息系统,便于进行实时的服务跟踪、信息更新和上下机构之间的及时沟通．各类设施之间应建立上下级转诊机制,使得老年病人的治疗过程连续而及时,也可以建立与上一级医院或者综合医院的双向互诊,构建三级医疗网络的发展体系．

早期的纹理分析应用在甲状腺结节良恶性鉴别，ACHARYA等[8]用离散小波变换和纹理特征结合提取超声图像特征，通过AdaBoost分类器进行分类，开发出一个更客观地检测良恶性结节的系统。图像分割是图像识别基本步骤，MA等[9]首次采用卷积神经网络(CNN)对甲状腺结节进行分割，使用深度CNN从甲状腺超声图像中自动分割甲状腺结节，以图像块作为输入，然后生成分割概率图作为输出，采用多视图策略提高了模型的性能。提取出的有效特征，最终进入分类器分类。首个使用CNN对甲状腺结节进行分类的模型[10]，将2个预先训练的CNN与不同卷积层及全连接层融合，诊断甲状腺结节的准确率达83.02%，显著提高了检测性能。LIU等[11]首次将深度学习迁移到超声图像中进行甲状腺结节分类，将数据集上训练好的网络模型快速转移到另外一个数据集上，保留原训练模型中倒数第一层之前的所有参数，替换最后一层，将原模型迁移到甲状腺超声图像上，生成深层次特征，经过测试表明，这种应用混合特征的方法显著提高了分类精度。

4 AI在甲状腺弥漫性病变超声诊断中的应用

甲状腺弥漫性病变主要有桥本氏甲状腺炎(慢性淋巴细胞性甲状腺炎)、弥漫性毒性甲状腺肿、亚急性甲状腺炎，目前AI主要应用于桥本氏甲状腺炎的研究，桥本氏甲状腺炎是最常见的甲状腺弥漫性病变，桥本氏甲状腺炎超声图像的血流信号上没有明显的特异性，主要表现在灰阶图像上的不同，对检查者的主观经验依赖较大。

在研究桥本氏甲状腺炎图像的特征中，KOHILA等[25]利用邻域灰度差分矩阵、统计特征矩阵和Laws纹理能量测度的纹理分析鉴别桥本甲状腺炎超声图像，有效地避免了超声诊断桥本氏甲状腺炎的主观性。ACHARYA等[26]开发了一个自动、实时、在线的CAD系统，利用甲状腺实质灰阶超声特征构建分类器，为鉴别桥本氏甲状腺炎患者图像提供了客观、可重复的方法。OMIOTEK[27]比较并选择了最佳的桥本氏甲状腺炎分类模型，建立了一个针对超声疑难病例的高准确性分类器，分类灵敏度达88.1%。

在 “纺纱工艺设计与质量控制”课程实施案例教学法，要根据教学大纲和培养方案，要理论联系实际，培养学生利用理论知识解决实际问题的能力。

5 发展与展望

AI作为一门对人意识、思维过程进行模拟的新学科，已经充分地融入人们生活的方方面面。经济学家克劳斯·施瓦布[28]认为，以AI、万物联网、新材料发展、机器人技术等为代表的第四次工业革命，将改变人们生活方式，改变几乎所有国家的所有行业。目前AI在甲状腺疾病诊断中的应用已经日渐成熟，但对其的普及应用仍面临着一些问题；首先，AI医疗的关键在于医疗数据平台的建立，如何做好超声图像实时数据的有效存储和管理，以便为构建诊断系统提供样本量大、利用率高的数据资料[29]；其次，AI对甲状腺结节超声图像识别分析已经能够更准确、更迅速完成甲状腺疾病的诊断，AI若能进一步应用于甲状腺弥漫性病变之间的区分，或许能为合并弥漫性病变的甲状腺病灶的诊断提供更多的帮助，另外，甲状腺疾病病理亚分型的判别将是未来的一个探索和研究方向；同时，随着AI辅助医学诊断的广泛应用和发展，相关法律法规也有待完善。医疗健康领域智能化发展已经成为一种趋势[30]，AI在浅表超声尤其是甲状腺超声诊断领域的应用将向更高准确性、更强适应性的方向发展。