能谱CT和人工智能在甲状腺癌诊断中的应用

廖淑婷 于向荣

暨南大学附属珠海医院（珠海市人民医院）放射影像科（广东珠海519000）

甲状腺癌（thyroid cancer，TC）是头颈部常见恶性肿瘤，2020年发病率在所有癌症中排名第九［1］，其病理组织学类型可分为乳头状癌（papil⁃lary thyroid carcinoma，PTC）、滤泡状癌、髓样癌及未分化癌，以PTC最为多见［2］。颈部淋巴结转移常在确诊甲状腺癌时已经存在，且为甲状腺癌局部复发的重要风险因子。因此甲状腺结节的早期筛查、术前明确诊断及确定手术淋巴结清扫区域尤为重要。

目前，超声是甲状腺结节首选的筛查及检查方法，但其检查结果、检查范围与诊断效能上有一定的局限性［3］。在20世纪90年代，鲜见计算机体层摄影（computed tomography，CT）在甲状腺病变诊断中的应用。但21世纪以来，由于甲状腺天然解剖对比及能谱CT 的发展使得CT 检查在甲状腺癌的诊断应用中逐渐增多，且人工智能的快速发展进一步提升了CT 图像价值。本文就甲状腺癌的能谱CT 诊断技术和人工智能的研究应用进展进行综述。

1 甲状腺癌能谱CT 检查

能谱CT 采用单球管瞬时高速切换80～140 kVp，联合适应性统计迭代技术，既减少被检者的辐射剂量又保证图像质量［4］，避免双源CT 的小球管扫描野受限、运动伪影大、散射线较多等问题，逐渐在甲状腺癌诊断上得以应用发展。能谱CT 成像可以减少图像伪影，降低噪声、提高对比噪声比及信噪比，还能通过多参数定量显示病灶特征、血供情况和组成成分［5］。能谱CT 具有单能量成像、物质分离及定量、能谱曲线、有效原子序数分析等技术，定量参数包括碘含量（iodine concentration，IC）、标准碘含量（normalized iodine concentration，NIC）、能谱曲线斜率（slope of spectral HU curve，λHU）、有效原子序数（effective atomic number，Eff⁃Z）等。

1.1 能谱CT 评估甲状腺良恶性结节头颈部能谱CT 单能量成像中，较低能量单能量图像更能显示微小病灶及微小钙化灶，高能量单能量图像有助于去除颈部骨骼或增强对比剂产生的硬化伪影［4］，其中62～75 keV 为鉴别甲状腺良恶性结节的最佳单能量成像。而TOMITA 等［6］认为80 keV单能量成像为最佳。不同患者及扫描机器存在差异，由患者自身单能量曲线自动得到最佳单能量图像为观察病灶最佳图像。

能谱CT 经过物质分离技术可得碘基图，这有利于显示摄碘组织及反映增强后组织强化情况，由此进行相对碘浓度的定量分析。将碘基图与最佳单能量图像融合，能得到较好的图像质量及病灶对碘的摄取及分布情况。研究认为甲状腺癌IC值低于正常甲状腺组织和甲状腺良性结节，这可能由于正常甲状腺组织中的脉管与滤泡细胞等被破坏和（或）纤维结缔组织替代所致［5］，但每个学者对甲状腺癌的IC 定量评价值并不一致［7-8］。为了一定程度地消除增强各期个体循环差异，学者们选取同层面颈总动脉碘含量对IC 进行标准化，即标准碘含量［5-8］。许定华等［8］研究发现增强后动脉期、静脉期及延迟期中甲状腺癌的NIC 值均低于良性结节，其中延迟期NIC 值低于静脉期且其诊断效能最高（敏感性为45%，特异性为95%）。该团队认为，恶性结节的摄碘能力及其对比剂弥散程度均较良性结节低，导致延迟期甲状腺癌的NIC 值低于静脉期。LEE 等［5］则提示NIC 诊断性能在很大程度上取决于病灶对比增强的程度，因此增强扫描延迟或更能提高其NIC 诊断效能。

能谱曲线是指随着单能量的变化感兴趣区CT值变化的曲线，这取决于物质分子结构，相似的能谱曲线形态及斜率（λHU）提示病灶成分类似，可对病灶定量评估、鉴别良恶性等，有助于颈部恶性病变诊断。良性结节血供丰富，存在较多的滤泡上皮细胞，在曲线上呈快升快降型，能谱衰减快，λHU 多为正值，而甲状腺癌的达峰时间较长，回归时间亦较长，呈慢升慢降型曲线，能谱衰减慢，λHU 在CT 各期相大致低于良性结节［9］。

能谱有效原子序数Eff⁃Z 与感兴趣区的化合物及CT 值相关，目前主要应用于分离物质及其成分分析［10］。由于甲状腺本身及病灶都具有一定的摄碘能力，因此在CT 图像上无法通过物质成分分离达到分析甲状腺结节中Eff⁃Z 的目的。在CT 图像分辨率日渐提升的基础上，相信未来Eff⁃Z 能在区分良性结节的胶质沉积及恶性结节的钙化中起到良好的辅助指导作用。

IC、NIC、λHU 等能谱CT 参数分析有助于提高甲状腺癌的诊断效能，但目前各项研究显示各参数阈值不一，差异较大，在临床应用中尚未有统一标准，分析其原因主要是由于各项研究纳入标准存在选择性偏倚、甲状腺癌病理类型不同以及靶区选择存在差异；同时扫描方案不统一也可能是原因之一，如造影剂剂量、延迟时间。因此，在后续能谱CT 研究中统一标准化参数，消除个体差异，如正常甲状腺碘含量标准化IC 值的诊断意义，将值得进一步深入研究。

1.2 能谱CT评估甲状腺癌颈部淋巴结转移甲状腺癌转移性淋巴结发生率较高，加强对甲状腺癌颈部淋巴结的术前评估有重要的临床价值。既往常规CT 诊断转移性淋巴结多以形态学诊断为主，如最小径/最大径≥0.5 cm，多成簇状分布（同区显示的淋巴结≥3 个或呈融合状），但尚缺乏特异性。由于转移性淋巴结的化学成分通常与原发灶相似，采用能谱CT 参数可为淋巴结定性提供更为客观依据。HE 等［11］发现动脉期明显强化的转移性淋巴结的NIC 为最佳定量参数，最佳阈值为0.258，其敏感度、特异度为90.8%、80.5%。该团队认为转移性淋巴结较非转移性淋巴结内部含有更多细小新生血管使增强扫描时对比剂充盈速度快，表现为转移性淋巴结于动脉早期明显强化，因而动脉期的NIC 值对诊断转移性淋巴结的研究价值更高。LI 等［12］认为联合应用能谱CT 各参数诊断转移性淋巴结效果更好，其敏感性和准确性分别为92.9%、90.9%。在今后研究中，结合淋巴结形态学以及能谱CT 各项定量参数，将有利于提高转移性淋巴结术前诊断敏感性及特异性，有助于临床拟定甲状腺癌手术淋巴结清扫区域。

同时进入21世纪以来，医疗人工智能发展速度迅猛，在算法、有效数据及计算能力等方面均取得长足发展，人工智能辅助分析具有高敏感检出、高维信息挖掘、高通量计算的能力，可在能谱CT基础上对甲状腺癌术前提供更丰富、更精准的诊断指标。

2 甲状腺癌CT 与人工智能

目前，甲状腺癌CT 与计算机结合的应用有纹理分析、影像组学及深度学习。

2.1 纹理分析对甲状腺癌及其转移性淋巴结的诊断与预测影像图像分析与计算机的结合最初是通过统计学参数定量分析放射诊断医生肉眼无法观察的纹理特征。纹理分析是通过医学影像的灰度级和（或）像素强度直方图研究病变组织异质性并对其进行量化的图像后处理技术。常用的参数包括：一阶、二阶及高阶统计量。一阶统计量通过灰度直方图分析、描述感兴趣区的各个体素值的分布，包括平均强度、不均匀度、标准差、偏度、峰度等。二阶统计量通过灰度共生矩阵（grey level co⁃occurrence matrix，GLCM）、灰度⁃梯度共生矩阵（gray level⁃gradient co⁃occurrence matrix，GLGM）、灰度游程矩阵等，描述空间排列的不同体素强度之间的统计相互关系，反映肿瘤的异质性，主要包括熵值及相关性等。高阶统计量利用数学变换等统计学方法，如小波变换等，描述感兴趣区内更多像素分布的空间关系，通常涵盖更高级别的图像结构和相位特征，常用的统计参数有对比度和粗糙度。

TOMITA 等［6］的研究表明甲状腺良恶性结节对比各单能量平扫图像中的纹理特征参数，如灰度变化直方图均值和中位数、共生矩阵对比度、GLGM 偏度、GLGM 梯度的平均梯度和方差有显著差异，其中80 keV 单能量图像中灰度变化直方图均值和中位数诊断效能最高。既往研究提示甲状腺病灶纹理分析中，一阶统计量中熵值越高，肿瘤纹理越复杂，可能由不同甲状腺结节的病理特点决定，但对甲状腺癌的恶性程度的准确评估还有待进一步研究。通过二阶统计量对比研究甲状腺病灶平扫图像显示，灰度变化直方图均值及中位数的诊断效能也不容忽视，囊变、坏死和钙化等均可使灰度直方图结果不同。单纯对甲状腺癌的CT平扫图像进行纹理分析仍存在一定的局限性，结合能谱CT 虚拟平扫技术进行多期相纹理分析从而既有效减少患者甲状腺辐射剂量又保证足够甲状腺CT 图像信息进行分析研究。

SU 等［13］研究分析颈部良恶性淋巴结的双期CT 图像的纹理参数，认为动脉期平均灰度值和静脉期峰度是甲状腺癌颈部淋巴结转移的独立预测因素。其中动脉期的转移性颈淋巴结组平均灰度值明显高于非转移性颈淋巴结组（area under curve，AUC=0.807），具有较高的敏感度（90.6%）；静脉期峰度明显低于非转移性颈淋巴结组（AUC=0.796），具有较高的特异度（88.9%）。转移性淋巴结增强图像的特征突出，如动脉早期明显强化及达峰时间长致静脉期峰度低于非转移性淋巴结，但各期相及对应的纹理参数诊断效能互不相同，难以直观对比。且其平扫图像的纹理特征同样具有诊断价值。对甲状腺癌转移性淋巴结的多期相纹理特征评价及其联合应用诊断效能仍需要研究探讨，或许更能提高转移性淋巴结的检出率。

2.2 影像组学对甲状腺癌及其转移性淋巴结的诊断与预测影像组学是从影像图像中提取大量高维的定量影像特征，实现肿瘤分割、特征提取与模型建立，即在纹理分析的基础上，将其与其他危险因素相结合，以此分析病灶。组学中常用的监督分类器有logistic 回归模型、随机森林、支持向量机、线性判别分析、人工神经网络、聚类分析、自举法等［14］。

LIU 等［15］运用CT 纹理分析技术联合影像组学鉴别甲状腺癌，从90 例甲状腺良恶性结节中提取其CT 平扫图像的纹理特征联合应用影像组学多种分类算法，结果发现采用17 种纹理特征联合支持向量机的诊断效果最好（敏感度为91.3%、特异度为82.6%、AUC=0.910）。CHEN 等［16］为提升CT在PTC 患者术前预测腺外延伸侵犯的能力，提取624 例PTC 患者平扫及静脉期图像的特征，建立了3 个模型：放射学特征模型、临床模型、结合临床模型与放射学特征的放射组学列线图模型。该团队发现放射组学列线图模型（训练组AUC=0.837，验证组AUC=0.812）鉴别能力优于放射学特征模型与临床模型。

甲状腺癌转移性淋巴结影像组学研究也取得一定的进展，LU 等［17］选取221 例甲状腺癌的增强CT 图像，提取546 个特征，使用支持向量机构建模型，研究分析术前应用影像组学预测PTC 颈部淋巴结转移有一定的可行性。ZHOU 等［18］联合能谱CT 的衍生碘图对255 例颈部淋巴结肿大的动、静脉期碘图进行放射组学分析，提示使用联合模型绘制诺模图与临床决策曲线分析诊断甲状腺癌转移性淋巴结有较高效能：训练集AUC=0.933 和验证集AUC=0.895。这为能谱CT 联合放射组学的诊断价值的研究提供了依据。

目前影像组学在甲状腺癌及其转移性淋巴结的CT 诊断中的研究报道较少，分析其原因主要与勾画病灶边界的准确性及临床危险因素的选定对构建模型及模型诊断效能判定有着重大的影响。能谱CT 衍生碘图将有助于解决这一困扰，再结合影像组学分析也许更有利于评估甲状腺癌转移性淋巴结，为精准诊疗与预后评估提供更多术前参考信息。

2.3 深度学习对甲状腺癌及其转移性淋巴结的预测深度学习使影像组学进一步深化，如神经网络般多层、自动学习特征，已应用于疾病分类与肿瘤检测等［19-20］。目前深度学习的机器学习算法有卷积神经网络（convolutional neural networks，CNN）、残差神经网络、受限玻尔兹曼机等等。其中CNN为目前医学图像分析中研究最多的机器学习算法［19］。

ZHAO 等［21］选取398 例患者的甲状腺增强CT图像进行研究，选用DenseU⁃Net 自动分割甲状腺腺体并利用CNNs 级联融合方法对甲状腺腺体内单个结节进行分类。实验结果表明CNNs 级联融合方法诊断单个甲状腺结节的良恶性比其他传统CNN 方法具有更好的性能（AUC=0.985，准确度为95.7%，精确度为98.1%，特异度为99.3%）。LI 等［22］进一步选用改进的Eff⁃UNet 切割算法及低、高级别特征融合分类网络CNN⁃F 对248 例患者的甲状腺增强CT 图像实现甲状腺结节的高准确性智能识别与分类。该团队发现该组合的诊断准确度为85.9%，精确度为90.6%，特异度为66.7%。该模型突破人工智能在CT 图像中分类单个甲状腺结节的难题，实现对多个甲状腺结节的识别及分类。

LEE 等［23］早期从202 例甲状腺癌患者中647 个良性淋巴结和348 个转移淋巴结的增强CT 图像提取放射学特征建立8 个CNN 模型对图像进行转移性或良性淋巴结分类，对比发现ResNet50 模型对术前检测转移性淋巴结（训练集AUC=0.953，验证集的敏感度、特异度和准确度均为90.4%）的效力最高。为了验证上述深度学习模型的临床有效性，LEE 等［24］进一步选取698 例甲状腺癌患者颈部＞8～10 mm 的淋巴结进行评估，并将模型投入辅助两名放射科医师与六名住院医师诊断。该团队发现Xception 模型的诊断性能最高（AUC=0.884，敏感度为80.2%、特异度为83.0%和准确度为82.8%）且辅助提高了所有住院医师对甲状腺癌转移性淋巴结诊断的置信度。ONOUE等［25］选取13例PTC 患者的55 个淋巴结增强CT 图像构建并验证ResNet101 模型，发现该模型的诊断准确度为76.0%，超过两位经验丰富的放射学家的诊断水平（准确度分别为48.0%、41.0%）。

由此可见深度学习预测甲状腺癌及其转移性淋巴结的能力有了进一步提升，在下一步完善成熟时，结合能谱CT 扫描及平扫CT 图像扩充数据库，将有助于寻求最优组合模型，有望成为临床工作中诊断甲状腺癌及其转移性淋巴结的有力辅助工具，为临床术前诊断及诊疗方案的拟定提供帮助。

3 总结与展望

综上所述，能谱CT 的发展及人工智能的联合应用，将甲状腺癌CT 诊断转变为物质及纹理分析的多参数定量诊断及多方面联合分析的定量诊断。目前诸多学者对CT 在甲状腺癌诊断中各种参数的最佳阈值及诊断效能尚未有明确共识，笔者认为将能谱参数与形态学特征的联合诊断是必然的，统一扫描参数标准、扩大研究样本量及鉴别不同病理类型甲状腺癌等方面进行研究设计是必要的。人工智能在甲状腺癌中的应用有亟待解决的难题，如对边界模糊的甲状腺癌轮廓的勾画、特征与模型的最优选择以及多学科合作中选取的临床危险因素与分子诊断指标等。但其也有广阔的研究空间，如人工智能在CT 平扫图像中的研究及联合能谱CT 衍生碘图的诊断分析、对甲状腺癌亚型分类及预后评估的研究、深度分析甲状腺癌及其微环境以及高效能指标的探索等。随着CT 技术的发展以及多种技术的联合应用的进一步探索，相信能谱CT 及人工智能在甲状腺癌中的应用将为临床诊疗带来巨大的帮助。