AI在甲状腺结节诊断中的价值

赵雯婷，徐 杰，魏 杰，杨 晓（通信作者）

（安徽医科大学附属合肥医院<合肥市第二人民医院>超声科 安徽 合肥 230011）

甲状腺结节是常见的疾病之一，可发于任何年龄，近年来，甲状腺疾病的发病率逐年上升，这与医学影像检查手段的丰富和更新密不可分。但是限于目前医疗资源不均衡、诊断水平参差不齐等客观因素，以及超声影像易受人为主观因素影响[1]，导致各医院诊断准确率有所差异。人工智能（AIT）是机器基于大数据统计，使用深层神经网络不断学习，更新运算来真切地模拟人类反应的科学。最近各个厂家广泛开发了具有AIT的计算机辅助诊断（CAD）系统，用于自动高效的超声图像分析[2]，一些研究报告说CAD系统已被用于评估乳腺癌和肺癌，为超声医师提供诊断建议[3]，但在甲状腺疾病诊断上仍然在起步阶段。其中，S-Detect分析软件是一项AIT与甲状腺超声联合应用于临床的CAD技术，是通过前期大数据深度学习及进行算法优化，对甲状腺结节作出良恶性的诊断。本文主要针对这一新兴分析软件对甲状腺结节的的诊断价值进行初步探讨，报道如下。

1 资料与方法

1.1 一般资料

选取2020年11月—2021年5月合肥市第二人民医院收治的甲状腺结节患者60例，共70个结节。包括女性44例50个结节，男性16例20个结节，年龄24～81岁，平均（50.6±12.8）岁，甲状腺结节直径为3～45 mm，平均（11.6±9.8）mm。

纳入标准：①所有患者甲状腺均接受常规超声检查、S-Decet分析软件检测；②甲状腺结节均有手术的病理、细针穿刺（FNA）病理或两者至少一项诊断结果。排除标准：①未进行手术或者细胞学穿刺无病理结果者；②凝血功能异常者；③曾做过甲状腺手术者；④病理诊断为不确定者。

1.2 方法

使用配备线性高频探头L3-12A韩国三星公司的RS80A超声诊断仪，内置S-Detect分析软件。嘱咐患者平卧充分暴露颈部，选取甲状腺条件，观察记录病灶的位置、大小、边缘、纵横比、钙化及血流分布等超声特征，对结节进行诊断。分析软件：选择甲状腺长轴、短轴中病灶显示最清楚时冻结图像，启动S-Detect模式，勾选出病灶矩形感兴趣区域，自动包络识别出病灶边界后，手动调整取样框描绘病灶的边界，再提交软件系统分析，得到病灶的深度，大小、成分、回声强度、方向、边缘、形状等超声特征，同时给出“可能良性”或“可能恶性”的诊断。

1.3 观察指标

以手术或FNA的病理结果为金标准，分析S-Detect软件诊断甲状腺结节与病理结果的一致性，计算分析软件在甲状腺结节的纵切面和横切面的诊断符合率、灵敏度、特异度。

1.4 统计学方法

应用SPSS 20.0统计软件分析数据。计数资料以频数（n）、百分比（%）表示。使用Kappa检验对不同切面S-Detect诊断与病理诊断的一致性，得到Kappa系数：0～0.2是极低一致性；0.2～0.4是一般一致性；0.4～0.6是中度一致性，可接受；0.6～0.8是高度一致性；0.8～1.0是几乎完全一致。

2 结果

2.1 甲状腺结节病理诊断结果

经病理证实，60例患者共70个甲状腺结节，其中良性结节42个（60.0%），包括滤泡性腺瘤14个，结节性甲状腺肿12个，桥本甲状腺炎12个，变性的纤维组织4个；恶性结节28个（40.0%），包括乳头状癌28个。见表1。

表1 甲状腺结节一般资料

2.2 S-Detect分析软件诊断效能与病理诊断比较

在70个结节中，S-Detect（横切面）与病理结果对比诊断符合率为74.29%（52/70），S-Detect（纵切面）与病理对比诊断符合率为82.86%（58/70）。以病理结果作为金标准，S-Detect分析软件横切面和纵切面的灵敏度、特异度。见表2。

表2 不同切面 S-Detect 的诊断效能

3 讨论

S-Detect作为一种新兴CAD系统，通常使用深层神经网络。这是一种深度学习计算机模式，通常由标准结构堆叠的卷积层组成，通过对不同甲状腺结节二维超声图像进行检测，映射在多个完全连接的卷积层，每个卷积层提取其结节图像特征，最后经进行整合提取最优特征，并对特征进行分类，从而检测和学习甲状腺图像的特征[4-5]。由此可以在学习带有现有特征的大量图像后，自动判断新图像中结节的良性和恶性[6]。作为一种实时且无创的诊断方法，分析软件减少超声医师主观因素的因素，增加客观技术指标，帮助低年资医师提高识别甲状腺结节的能力[7]。另一方面分析软件的应用可减少超声医生的工作负荷。目前有部分针对S-Detect分析软件对甲状腺结节诊断的初步探究，通过联合TI-RADS分级等进一步提高甲状腺结节诊断效能[8-9]，并对甲状腺结节分类进行进一步的优化。

本研究中，采用不同标准切面对甲状腺结节进行S-Detect诊断时，符合率有差异。以病理结果为金标准，甲状腺S-Detect纵切面诊断效价高于横切面。从软件角度看，可能与前期未进行深度学习中足够横纵切面算法训练有关，导致软件中甲状腺纵切面数据质量及数量多于横切面数据及质量，导致不同标准切面存在诊断符合率的差异。从解剖角度看，横切面受颈部血管、气管及周围肌肉组织影响[10]，甲状腺结节尤其是靠近甲状腺被膜时，在软件自动包络识别的甲状腺结节不如纵切面快速准确，需要更多超声医师进行人工手动调整，加大了诊断过程中主观因素，可能导致横切面诊断效能的降低。

本研究发现，本组病例的诊断符合率为74%～82%，横切面S-Detect诊断的Kappa值为0.49，一致性一般，纵切面S-Detect诊断的Kappa值为0.66，其一致性中等，对甲状腺病灶具有一定的诊断价值意义，和之前研究中甲状腺S-Detect诊断符合价值接近[11]。与乳腺比较，甲状腺S-Detect的诊断效价要低于乳腺S-Detect的诊断效能，部分研究认为其诊断乳腺病灶的特异度、灵敏度及诊断准确率79.6%～94.6%不等[12-13]，考虑主要原因可能是由于乳腺病灶受周围组织影响较小，良恶性病变影像之间差异也较大。

S-Detect对甲状腺结节诊断提供更多信息，但在使用过程中也发现存在部分问题。在软件自动包络边界方面，感兴趣区边缘轮廓需要在多次手动调整，自动提取技术识别有较低的准确度，反而增加超声医师的工作负担。在图像识别特征方面，S-Detect对甲状腺结节的成分、回声强度、方向的诊断与超声医生诊断相近，但形状、成分、边缘等其他参数与医生诊断有差异，同时，甲状腺结节内钙化及血流信号等信息无法识别，这些差异影响了初级医师对结节判断进而影响最终诊断。在诊断良恶性结果方面，目前只提供可能恶性及可能良性的模糊性判断，S-Detect分析软件和病理金标准诊断的一致性一般，不能行更为精确的TI-RADS分类诊断，与现有的超声诊断规范有一定偏差。

综上所述，S-Detect分析软件对甲状腺病灶具有一定的诊断价值，其中甲状腺纵切面的诊断符合率高于横切面，但其诊断一致性一般，在临床应用中仍存在结节边缘识别需要人工调整、无法识别钙化及血流信号等局限性，如何更加恰当地结合使用，更加标准化的S-Detect操作规范，我们需要更深入的数据研究和临床实践加以证实。