甲状腺滤泡癌临床诊断新进展

胡蓓蓓，邓 伟，张英霞

甲状腺滤泡性肿瘤主要包括甲状腺滤泡癌（follicular thyroid carcinoma，FTC） 和甲状腺滤泡性腺瘤（follicular thyroid adenoma，FTA）两大类，其中FTC 发病率约占甲状腺癌的20%～25%， 是继甲状腺乳头状癌（papillary thyroid carcinoma，PTC）之后的一种病理类型。 FTC 多发于40 岁以上的女性，较PTC 预后差，其转移率高，11%～30%患者FTC 早期即可通过血液转移到肺、骨等部位。 不同于PTC 和其他类型的甲状腺肿瘤，FTC 不具有砂粒体等形态学特征， 临床上仅以组织学标本包膜和（或）血管浸润作为唯一的诊断标准。

FTA 是甲状腺最常见的良性腺瘤， 其与FTC 的声像图特征相近，仅凭超声难以鉴别。 FTC 与FTA 最大的不同点在于有无明确的包膜和血管浸润，但在冷冻切片、细针穿刺活检等检查中很难将二者区分开来，尤其是微小浸润型滤泡癌与腺瘤在镜下几乎无法鉴别。在疑似FTC 的手术中，恶性病变的阳性率仅有20%[1]，很多患者遭受了不必要的手术从而导致生存质量下降。 因此提升FTC 的术前诊断准确度迫在眉睫。

1 超声检查

高频率超声检查已广泛应用在甲状腺结节良恶性鉴别诊断中，由于其具有方便快捷、操作简单、安全无创、 重复性强等优点， 美国甲状腺协会（American Thyroid Association，ATA） 现已将超声列为甲状腺结节的首选检查方法[2]。

1.1 内部回声

FTC 内部回声较低， 而腺瘤多呈高回声或等回声。 刘鑫[3]认为低回声与短时间内出现的生长混乱有关， 肿瘤细胞破坏了正常甲状腺滤泡细胞的有序排列。结节内部回声均匀是FTA 的诊断特征，而FTC 常表现为内部回声不均的实性肿块， 囊性改变少见。Sillery JC 等[4]研究表明，正常组织结构的破坏使结节出现出血、坏死等继发性改变，这是导致其内部回声不均的主要原因。“结中结”是指甲状腺肿瘤内具有多个结节样改变，代表肿瘤的侵袭性。 “小梁形成”被定义为结节内部出现辐轮样或网状瘢痕样回声。有学者认为FTC 中较易出现这两种现象[5，6]。 Kim H 等[7]学者发现，FTC 结节显著的回声减低是其远处转移的危险因素。

1.2 晕环

薄且均匀的晕环常出现在FTA 中，FTC 多表现为不规则或不完整晕环，边界欠清晰。 原因可能是由于FTC 存在包膜， 肿瘤细胞侵犯包膜而引起反应性增生，导致不规则增厚[8]，在超声图像上就表现为薄厚不一的晕环。 牛卫东等[9]研究显示，超过半数的FTC未显示晕环，这与FTC 结节多为低回声有关，低回声的癌结节与低回声的声晕缺乏对比，故而声晕不易显示。 Park KW 等[10]研究表明，认为远处转移的患者常伴有相对较厚的晕环。此外，毛刺状、分叶状或不规则的边缘在FTC 中更常见， 而FTA 呈现相对平滑的轮廓[11]。 据Borowczyk M 等[8]一项研究表明，边缘不规则（微小叶或毛刺） 使甲状腺结节的恶性风险增加了2.92 倍。

1.3 钙化

Liu BJ 等[12]指出，大量钙化是FTC 与FTA 最重要的区别，其特异度为90.3%。 大多数学者认为FTC中合并钙化的比例高于FTA， 钙化可作为预测FTC的独立因素。相较于微钙化，点状、粗大钙化和环形钙化更常出现在FTC 中。 这可能是由于FTC 中不存在砂粒体，且生长速度快，容易出血、坏死，从而形成钙盐沉积。 环形钙化的形成通常与营养不良有关，常被认为是良性结节的征象，但近来年研究证明其也会在PTC 与FTC 中出现，因此需与其他特征结合判断结节性质[13]。 此外，FTC 侵犯包膜增生处也易出现钙化[14]。有研究认为[7]，细针穿刺（fine needle aspiration，FNA）细胞学诊断的FTC 伴周边钙化时， 应考虑远处转移的可能。

1.4 血流信号

多数研究认为FTC 和FTA 在血流信号方面的差异无统计学意义，但也有学者认为[14]相较于FTC，FTA多表现为周边环形血流信号， 且内部血流较少，而FTC 多表现为中央动脉穿入型，血流信号较多。

2 细胞病理学

超声引导下FNA 细胞学诊断是一种以细胞形态学为主要依据的微创病理学检查方法，是术前评估甲状腺结节良恶性灵敏度和特异度较高的方法[15]。 但由于每次取材的样本量有限、 操作医师的水平不同，取样点不一定具有典型性和代表性。在甲状腺滤泡性肿瘤鉴别中，多次取材样本未见明显的包膜或血管浸润不在少数， 临床上将这类样本按照Bethesda 系统分类，即Ⅲ类——意义不明的细胞非典型性或意义不明的滤泡性病变和Ⅳ类——滤泡性肿瘤或可疑滤泡性肿瘤。其中Ⅳ类风险较高，约为25%～40%[16]。因此，在活检结果不确定的情况下，找到可用于区分良恶性病变的工具或标准具有相当重要的意义。 目前，可采用检验与细针穿刺活检术（fine needle aspiration biopsy，FNAB）联合诊断FTC 来解决这一难题。

2.1 肿瘤标志物

近年来多项研究以肿瘤标志物为对象，但常规肿瘤标志物检测多以组织标本为基础，不如超声引导下FNAB 方便快捷。 贾丽琼等[17]学者通过检测FNAB 样本中Galectin-3 和细胞角蛋白19 （cytokeratin 19，CK19）表达，可一定程度上协助临床医生鉴别甲状腺滤泡性肿瘤。

Galectin-3 是一种半乳糖蛋白，主要存在于胞浆中，参与机体细胞的增殖、黏附和凋亡等过程。贾丽琼等[17]研究表明，Galectin-3 强阳性（+++）表达仅在FTC中出现，而未出现在FTA 中，表明Galectin-3 强阳性表达作为FTC 诊断的重要参考。Galectin-3 阳性率在有淋巴结转移和TNM III+IV 的患者中较高， 提示Galectin-3 可能与FTC 病情进展有一定关系。

CK19 是一种细胞角蛋白， 参与构成细胞骨架系统，与上皮细胞的分裂增殖密切相关。 其在FTC 组表达优于FTA 组。 但相较于Galectin-3 而言，CK19 诊断价值较弱，可能难以单独判断标本的病理类型。

Wang J 等[18]学者的研究表明，超声引导下FNAB组织中人骨髓内皮细胞标记1 （human bone marrow endothelial cell marker 1，HBME-1） 阳性表达率在FTC 组明显高于FTA 组。 HBME-1 是一种酸性氨基酸多糖蛋白，主要由透明质酸等组成。临床研究表明，HBME-1 对甲状腺癌有良好的诊断价值。超声引导下细针活检组织HBME-1 表达的灵敏度为77.78%，特异度为88.89%，准确度为80.00%。因此HBME-1 在鉴别FTA 与FTC 方面有着较大潜力。

2.2 解吸电喷雾电离质谱成像技术

尽管人们对肿瘤标志物的认识逐渐深入，但是对于FTC 的诊断至今还未出现一个统一的、 固定的标志物， 利用FNAB 诊断FTC 仍是临床上待解决的难题。 因此DeHoog RJ 等[19]学者提出了全新的诊断方法， 指利用解吸电喷雾电离质谱（desorption electrospray ionization- mass spectrometry，DESI-MS）成像技术，根据从FNAB 样本中获得的分子图谱来诊断甲状腺病变。 DESI-MS 是一种环境电离技术，可直接快速地检测人体组织样本中的脂质、脂肪酸和代谢物等小分子物质； 除具有传统质谱成像技术样品用量少、灵敏度高、分析速度快、检测范围宽等特点外，同时具有原位、实时、简便、无损、高通量等优点。

有关研究表明[20，21]，很多在甲状腺恶性肿瘤中高度表达的基因都参与了体内重要的代谢途径，如糖酵解、糖异生和三羧酸循环，因此从甲状腺组织切片中通过DESI-MS 获得的代谢和脂质信息可能是一种有价值的诊断依据。DeHoog RJ 等[19]从178 例PTC、FTC、FTA和正常甲状腺组织的114 125 个质谱中获得丰富的分子谱特征，并建立和检验统计分类模型以预测甲状腺病变的病理类型；该模型随后被用来预测临床FNAB样本中甲状腺细胞簇获得的DESI-MS 成像数据。 用于区分良性甲状腺腺瘤和FTC 的弹性网络模型建立在来自70 例患者的37 966 个像素的训练集上，每个像素与病理诊断结果交叉验证一致的准确度为79.9%、灵敏度为69.1%、特异度为84.1%，受试者工作特性曲线下面积（area under curve，AUC）为0.83。 其中脂肪酸、磷脂酰丝氨酸和磷脂酰甘油是鉴别良性甲状腺组织最重要的离子。磷脂酰肌醇、神经酰胺、磷脂酰乙醇胺、琥珀酸和苹果酸则是FTC 最重要的特征离子。

利用根据DESI-MS 成像数据建立的统计模型对FNAB 样本进行分析和分类， 验证结果准确度高达89%。 随着进一步的临床验证，DESI-MS 成像技术极有希望提高FTC 的诊断准确度， 特别是在细胞学不确定的情况下，有望减少诊断性手术的数量，同时改善患者的临床管理和预后。

3 分子诊断学

FTC 的发生机制常与基因突变和细胞信号传导通路异常激活有关，是一个典型的多基因、多阶段的癌变过程。 从基因水平上检测疾病的发生，确定发病原因和评估预后，是FTC 的研究新方向。 以往研究的ras 基因突变，p27 抑癌基因、端粒酶、端粒酶逆转录酶（human telomerase reverse transcriptase，hTERT）、人金属基质蛋白酶9 （matrix metallopeptidase-9，MMP-9） 及MMP-9 的表达仅对FTA 的鉴别提供了一定的依据，尚不能作为独立的诊断指标。 近年来，除了对PTC 分子遗传学的探索，还对检测技术进行了革新。

3.1 溶质载体家族5 成员5 基因

在原发肿瘤早期，极少部分的肿瘤细胞会侵入淋巴或血液系统并在其中生存，这部分细胞被称为循环肿瘤细胞（circulating tumor cells，CTC）[22]。CTC 的发现极大改善了肿瘤早期诊断率和转移期癌症患者生存率。 CTC 检测也因其无创性、敏感性、动态性等优点，成为临床研究的热点。

溶质载体家族5 成员5 基因（solute carrier family 5 member 5 gene，SLC5A5）所编码的钠碘同向转运体（sodium iodide symporter，NIS） 参与甲状腺激素合成的起始步骤，碘离子通过NIS 介导主动转运到甲状腺滤泡细胞，随后被活化与甲状腺球蛋白结合，逐步形成甲状腺激素。SLC5A5基因突变会导致甲状腺摄碘功能的丧失。SLC5A5是一个被广泛研究的甲状腺特异性的基因，经常用于检测外周血CTC。Jee HG 等[23]学者对进入血液的CTC 进行聚合酶链式反应（polymerase chain reaction，PCR）定量分析，结果发现SLC5A5在FTC 和FTA 中表达有明显差异， 其在FTC 中表达量较低。 由于SLC5A5表达具有高度的灵敏度和特异度，提示SLC5A5可能是甲状腺结节术前诊断的有效生物标志物。

3.2 fms-样酪氨酸激酶-3 基因、肿瘤蛋白P53 基因突变

基因测序技术是阐明基因功能、变异、表达调控的基础，也是从分子层次预测、预防、诊疗疾病的支撑技术，现已高速发展到第4 代。 其中第2、3、4 代测序技术统称为下一代测序（next-generation sequencing，NGS）技术。在PTC 的研究中，NGS 技术已经有了不俗的成绩， 但目前在甲状腺滤泡性肿瘤方面仍是空白。Borowczyk M 等[24]率先利用NGS 技术对FTC 和FTA进行了分析， 结果显示FTC 患者的突变数明显高于FTA 患者。肿瘤蛋白P53 基因（tumor protein P53 gene，TP53） 基因突变仅见于FTC 患者，fms-样酪氨酸激酶-3 基因（fms-like tyrosine kinase-3，FLT3）基因突变在FTC 组表达（51.4%）高于FTA 组（28.6%）。TP53和FLT3是检测滤泡性病变恶性程度的候选标志物。

FTC 中最常见的突变是FLT3基因突变。FLT3是Ⅲ型受体酪氨酸激酶（receptor tyrosine kinase Ⅲ，RTKⅢ） 家族的成员，RTKⅢ的基因突变参与调节造血细胞的凋亡、增殖和分化，可能导致未成熟形式的FLT3受体的组成性自磷酸化，导致信号转导因子和转录激活因子5（signal transducer and activator of transcription 5，STAT5）的强因子非依赖性激活[25]。FLT3在FTC 中基因突变率几乎是FTA 中的2 倍。因此FLT3阳性对FTC 的诊断有一定的价值。

TP53基因突变是FTC 中第二常见的基因突变，是抑癌基因的一种，其编码具有转录激活、DNA 结合功能的肿瘤抑制蛋白，在DNA 合成和修复、细胞周期阻滞、衰老和凋亡等方面有着重要作用。TP53基因突变在FTA 患者中未曾发现，仅见于FTC 患者，它的突变表明患者患FTC 的可能性大幅增高。

4 基于超声图像的人工智能研究

人工智能（artificial intelligence，AI）技术的进步，特别是深度学习算法的发展，为超声医生在疾病诊断的临床研究中带来了新的工具。 开发基于超声的AI技术鉴别甲状腺结节具有减少侵入性检查、提升低年资医生诊断准确度等优势。

4.1 机器学习

机器学习（machine learning，ML）是AI 技术的一个分支，它允许计算机从过去的病例中“学习”潜在的信息，能够捕捉到数据中的非线性关系，从而提高模型的准确度和有效性。目前ML 方法在医学领域的应用主要包括图像解释、病理诊断、危险因素筛选等。许多研究证明ML 在疾病预测和诊断中具有良好的性能。 Shin I 等[26]开发了基于放射组学的支持向量机（support vector machine，SVM）和人工神经网络（artificial neural network，ANN）分类器模型，以区分FTA 和FTC， 并与经验丰富的超声科医生的诊断进行了比较，显示出更高的总体准确度（超声科医生的平均准确度为64.8%，SVM 为69.0%，ANN 为74.0%）。FTC的远处转移往往提示预后不良，因此早期筛查和诊断具有重要意义。 Mao Y 等[27]首次使用ML 算法建立了FTC 远处转移的预测模型， 该模型可以评估新诊断FTC 的远处转移风险，并与Logistic 回归等经典统计模型相比取得了较好的诊断性能（ML 模型AUC 值为0.855，传统LR 算法AUC 值为0.845）。

4.2 深度学习

深度学习是ML 的分支，学习过程之所以是深度性的，是因为卷积神经网络（convolutional neural network，CNN）的结构由多个输入、输出和隐藏层构成。每个层包含的单元可将输入数据转换为信息，供下一层用于特定的预测任务。 得益于这种结构，机器可以通过自身的数据处理进行学习，极大地降低了数据处理与分析的难度。 Seo JK 等[28]利用CNN 建立了一个图像识别模型， 该模型专注于捕捉FTA 边界区域的特征， 而忽略了甲状腺结节图像内部区域的特征，获得了89.52%准确度。但这项研究只使用了39 个FTA和39 个FTC 来训练CNN 模型。Yang B 等[29]在其CNN模型中考虑了滤泡性肿瘤的整体病变， 从而将FTC和FTA 的分类准确度提高到96%。 模型的准确度往往取决于从图像分割结果中提取的特征，但由于甲状腺超声图像的复杂背景，FTC 与FTA 结节往往具有弱边缘和不均匀的区域。 Youn I 等[30]基于级联学习结构，将特定层次整合，使用Res-U-Net 对分割结果进行细化。 实验表明，该分割方法能为后续的分类提供更准确的模板，并能有效融合不同的特征，对甲状腺滤泡图像的良恶性进行分类，极大地提升了模型诊断准确度。 在前者的基础上，Zheng H 等[31]扩大了训练集， 将138 例FTC 患者的351 幅图像和274 例FTA患者的808 幅图像组成1 159 幅图像的数据集，利用残差网络的转移学习对模型进行训练和测试， 并与6名超声科医生的诊断进行对比，结果显示：该计算机辅助诊断系统的准确度为84.66%，而初级和高级超声科医生的准确度为56.82%和64.20%。 在计算机辅助设计的帮助下，初高级超声科医师的准确度分别提高到62.81%、73.86%。 该方法不仅可以获得比超声科医生更好的诊断效果，而且可以显著提高放射科医生对FTC 的诊断水平。

5 结论与展望

甲状腺滤泡性肿瘤的鉴别诊断是临床的热点问题，由于FTC 与FTA 二者在声像图上的高度相似性，利用常规超声很难诊断，但目前利用超声造影、弹性成像等技术对FTC 的研究较少， 尚不能作为单独的诊断依据。 超声引导下的FNA 是诊断甲状腺结节良恶性的“金标准”，但由于FTC 独特的病理学特征，单独利用FNA 诊断很容易造成漏诊或误诊， 结合免疫组织化学有助于提升诊断准确度，然而目前仍未有公认的FTC 肿瘤标志物， 在临床上难以大规模投入应用。 随着医学检验技术日新月异，质谱成像、NGS、红外光谱等技术均在FTC 领域有了一定的突破。 AI 的迅猛发展，也为FTC 的诊断提供了新方向。 目前，甲状腺滤泡性肿瘤的临床管理仍是亟需解决的难题，需要进一步的研究。