深度学习在甲状腺结节超声诊断中的研究进展

摘要：甲状腺结节在人群中较为常见，其评价主要依据甲状腺影像报告和数据系统。超声检查中甲状腺结节诊断的准确性与超声医生的检查技能、临床经验和思考分析能力密切相关。近年来，甲状腺癌的发病率迅速上升，如何快速有效地提高我国甲状腺结节的术前诊断能力已成为一个亟待解决的问题。深度学习作为人工智能领域的一项新技术，逐渐应用于医学影像领域，并在甲状腺超声诊断中倍受关注。本文将从甲状腺结节超声图像分割、结节良恶性鉴别、结节组织病理学预测以及颈部淋巴结智能评估等方面来介绍深度学习在甲状腺结节超声诊断中的研究进展及应用价值，旨在通过对既往相关研究的归纳总结，辅助医师深入了解该领域的发展现状，探讨新的研究方向，以期未来能为甲状腺结节的临床诊疗决策提供更准确，更全面的参考信息。

关键词：深度学习；超声诊断；甲状腺结节；人工智能

Research progress of deep learning in ultrasound diagnosis of thyroid nodules

YAO Qiaoli1， YE Jingjing1， GAO Cuixia2

1The First Clinical Medical College of Gansu University of Chinese Medicine， Lanzhou 730000， China; 2Department of Ultrasound， Gansu Provincial Hospital， Lanzhou 730000， China

Abstract： Thyroid nodules are common in the population， and their evaluation is mainly based on thyroid Imaging reporting and data system. The accuracy of thyroid nodule diagnosis in ultrasound examination is closely related to the examination skills， clinical experience and thinking and analysis ability of sonographers. In recent years， the incidence of thyroid cancer has increased rapidly. How to improve the ability of preoperative diagnosis of thyroid nodules quickly and effectively in our country has become an urgent problem to be solved. As a new technology in the field of artificial intelligence， deep learning has been gradually applied in the field of medical imaging， and has attracted much attention in thyroid ultrasound diagnosis. This paper will introduce the research progress and application value of deep learning in ultrasound diagnosis of thyroid nodules from the aspects of ultrasound image segmentation of thyroid nodules， differentiation of benign and malignant nodules， histopathological prediction of nodules， and intelligent evaluation of cervical lymph nodes. The purpose of this review is to summarize the previous relevant studies to assist physicians to deeply understand the development status of this field and explore new research directions， so as to provide more accurate and comprehensive reference information for the clinical diagnosis and treatment of thyroid nodules in the future.

Keywords： deep learning; ultrasound; thyroid nodules; artificial intelligence

甲状腺结节定义为甲状腺内由甲状腺细胞的异常、局灶性生长引起的离散病变［1］。随着人们体检意识的增强和超声设备的快速发展，结节的检出率显著提高，采用高分辨率超声时，检出率可高达20%～76%，其中恶性结节即甲状腺癌占5%～15%［2］。根据《2020年全球癌症统计报告》，甲状腺癌新增病例数达到58.6万例，在所有恶性肿瘤中位列第9［3］。超声是诊断甲状腺结节的重要影像学手段，所有已知或可疑的甲状腺结节应首选超声检查［4］。通过超声设备获得甲状腺结节的图像后，超声科医生对图像进行分析，并描述结节的特征，根据结节的可疑恶性特征，参考甲状腺影像报告和数据系统（TIRADS）［5-8］对结节进行分级， 并评估其恶性风险，以确定结节的后续治疗方式。由于超声诊断对超声医师的主观依赖性较大，尽管有成熟的TIRADS指南，不同水平的医疗机构、不同资历的超声医师在诊断上仍存在偏差，诊断的准确性和一致性面临挑战。尤其对于部分基层医疗机构和初级医师，可能存在漏诊、误诊和过度诊断。研究表明，甲状腺癌在世界各国都存在过度诊断，韩国的过度诊断率为93%，中国为87%［9］。此外，甲状腺癌发病率的上升也增加了超声医师的工作量。因此迫切需要找到一种方法，能使超声医师以更高的效率实现更准确的诊断，平衡漏诊和过度诊断，减轻工作负担。

基于人工智能的甲状腺超声图像深度学习（DL）方法应运而生。自2013年人工智能DL被评为十大突破性技术之一，越来越多的研究将DL技术应用于医学领域，以解决相应的临床问题，并在肾脏［10］、皮肤［11］、眼科［12］、儿科［13］、甲状腺［14］和放射学［15］等领域取得了许多成果。DL算法具有高精度、自适应性、端到端学习、多任务学习、数据增强和网络结构多样性等多重优势，这些优势使得DL算法在医学图像识别领域得到广泛应用，并在甲状腺结节超声诊断中不断创造新的高度［16-19］。本文将围绕DL在甲状腺结节超声诊断中的研究进展和应用价值进行综述。

1" 甲状腺结节的超声诊断现状

超声作为一种方便、灵活、安全、无辐射的诊断工具，是甲状腺影像学检查的首选方法［20］。常规超声是最常见的甲状腺结节检查技术，它可以提供甲状腺结节的大小、数量、内部回声、边缘、纵横比、钙化、血供、包膜完整性和颈部淋巴结转移等信息，其中部分征象有助于区分甲状腺结节的良恶性及预测恶性的风险（图1）。但常规超声有其局限性，如对于局灶性病变，它不能真正反映病变的微循环灌注。近年来，随着超声技术的快速发展，弹性超声、超声造影、介入超声以及大数据时代下快速发展的甲状腺超声智能辅助诊断技术的出现，在一定程度上弥补了常规超声的不足。弹性超声主要用于评价组织的硬度，甲状腺癌比相邻正常组织更硬，结节越硬，恶性的可能性越大。超声造影则通过显示组织或病变的血管灌注情况来区分甲状腺结节的良恶性。根据异常增强区域，可以确定甲状腺结节的细针穿刺点，有助于提高细针穿刺阳性率。介入超声可以在非手术前提下通过超声引导对甲状腺结节进行穿刺活检来获取病灶内的细胞或组织，通过病理学检查明确甲状腺结节的性质。在临床实践中，超声引导下细针穿刺常作为甲状腺结节的术前病理诊断方法。此外，人工智能可以为超声医师诊断甲状腺结节提供第二种意见，帮助他们发现结节的位置、勾画结节轮廓、鉴别结节良恶性、判断甲状腺癌的侵袭性和预测颈部淋巴结转移等，提高了超声医生诊断的准确性和一致性，减少了人为因素造成的诊断偏差。这些超声新技术作为鉴别甲状腺结节良恶性的辅助手段，与常规超声相辅相成，为临床医生做出诊断和治疗决策提供了更全面的信息。

2" DL

DL是机器学习（ML）的一个子领域，与经典ML的人工特征提取不同，DL具有表示学习的能力，即自动学习特征［21］。DL的概念是在2006年提出的，但DL源于20世纪50年代对人工神经网络的研究，其目的是建立和模拟人脑用于分析学习的神经网络，并通过模仿人脑的机制来解释数据。DL是对原始数据进行多步特征变换得到的特征表示，其“深度”是指对原始数据进行非线性特征变换的次数，如用于特征提取的多层网络结构。DL通过构建具有一定“深度”的模型，然后自动学习良好的特征表示，从而提高了整个ML系统的准确性和效率，极大地拓展了人工智能的应用领域。

DL的良好应用效果吸引越来越多的领域使用该技术进行数据挖掘和分析，在医学领域，特别是医学图像研究，掀起了研究热潮。DL凭借自动学习图像深度特征和特征判别能力，迅速成为了医学图像分析研究热点，并取得了突出的成果［22， 23］。其中，卷积神经网络（CNN）是这些研究中最常用的DL架构（图2），CNN是一种具有深度结构和卷积计算的前馈神经网络，网络中的神经元可以响应周围的神经元处理这些大型医学图像，进而完成图像分割、目标检测和图像分类等任务。

3nbsp; DL在甲状腺结节超声智能诊断中的应用

3.1" 甲状腺结节超声图像分割

甲状腺结节分割目的是对图像中不同物体进行勾画和分离，从而得到结节形状和边界。分割是诊断甲状腺结节的前提，对进一步分析甲状腺结节超声图像及后续判断甲状腺结节性质至关重要。目前，甲状腺结节分割方法包括4种［24］。 其中，基于轮廓和形状的方法和基于区域的方法实现简单，但需要手工设置参数，具有局限性。传统的ML方法需要专业医生对图像进行分割，费时费力，且不可避免地存在主观偏差。随着DL的发展，特别是CNN的出现，越来越多的基于DL的分割方法被应用于医学图像分割领域［25］。CNN在提取高层语义信息方面具有非常强大的能力，在医学图像分割领域具有出色的适应性。将该技术应用于甲状腺结节分割，在很大程度上可以提高甲状腺结节诊断效率和准确性［26］。有学者提出一种具有扩张卷积层的多输出CNN算法，用于分割B型超声扫描中的甲状腺结节、结节内的囊性成分和正常甲状腺。所提出的算法平均Dice系数为0.76，该算法的应用能有效地减少定位时间、改进工作流程和协助专业知识有限的超声医师进行后续诊断［27］。有研究提出一种标记引导的甲状腺结节超声深度网络分割模型，用于结节的图像分割。该模型的分割结果与人工绘制的结节非常接近，分割精度高达97.85%。在训练数据较小的情况下，显著提高结节的分割精度，为临床诊疗提供更精确的参考［28］。有研究提出一种包括区域路径和形状路径的双路径分割网络TNSNet。TNSNet采用DeepLabV3+作为骨干，并在2条路径之间插入软形状监督块，该方法测试结果准确性为95.81%，Dice相似系数为85.33%，表明该网络能够准确实现超声图像上甲状腺结节的自动分割。此外，此研究表明该网络与传统的基于DL的分割方法相比具有更高的分割精度和结节轮廓预测能力，展示了其在临床应用中准确分割结节的潜力［29］。

3.2" 甲状腺结节良恶性鉴别

DL辅助诊断甲状腺结节良恶性是目前研究热点。而且随着DL技术在甲状腺结节辅助诊断研究中的广泛应用，越来越丰富的甲状腺结节原始超声输入数据被应用于DL。从单一灰度图像到原始射频信号（RF）和多模态超声图像、从静态超声图像到动态超声视频，它们为甲状腺结节的良恶性的鉴别提供了越来越全面的信息。其中，基于二维超声静态图像的DL辅助诊断甲状腺结节是以往研究中最受关注的方向，而且取得了不错的成就。有学者利用YOLOv2神经网络进行DL，建立了自动图像识别和诊断系统，并比较了所建立的系统和超声医生在276例甲状腺结节患者超声图像中诊断良恶性甲状腺结节方面的表现。结果显示两者具有相当的灵敏度和准确性，但DL系统的AUC和特异性均高于超声医生，表明该人工智能DL诊断系统可以为超声医生诊断良恶性甲状腺结节提供良好的辅助［30］。有学者首次提出将两种不同卷积层和全连接层的预训练CNN融合来进行甲状腺结节诊断的方法，结果显示两种模型的融合能够显著提高诊断性能，准确率达到83.02%，表明该方法具有潜在的临床应用价值［31］。有研究将基于注意力的特征聚合网络与深度神经网络相结合，提出了一种用于甲状腺癌诊断的新结构，所提出的CNN结构利用注意力网络对多张超声图像中提取的特征进行聚合，从而实现在一次检测中能基于多张超声图像对甲状腺结节良恶性进行分类的能力。该方法提高了通过超声的不同角度来识别恶性甲状腺结节的能力，在甲状腺结节的超声诊断中具有与最先进的方法相媲美的性能［16］。DL还可以通过辅助超声判断结节的成分来进一步提高甲状腺结节的诊断准确性。有学者基于DL框架进行了一项多中心的甲状腺结节成分识别和良恶性结节判断研究。通过融合恶性分类器和成分分类器，实现了实性和非实性甲状腺结节的良恶性诊断。该研究中，DL模型鉴别甲状腺实性结节良恶性AUC均大于0.91。在测试集中，DL模型Inception-ResNet表现优于有经验的超声医生［32］。

考虑到原始射频信号RF通过图像重建过程转化为超声图像需要进行一系列的技术操作，这些操作可能导致射频信号携带的详细信息在超声成像前丢失或失真，从而限制了对甲状腺结节的诊断。有研究开发了一种将超声图像和射频信号携带的信息相结合来诊断甲状腺结节的DL模型IF-JCNN［17］。IF-JCNN有2个分支神经网络，一个基于VGG-16构建用于从超声图像中提取特征，另一个采用EEGNet模型对RF信号进行处理，将2个CNN提取的深度特征进行融合处理，最后输出诊断结果。实验结果表明，结合了RF和超声图像构建的IF-JCNN模型的准确性、敏感性、特异性和AUC分别为89.6%、88.5%、91.0%和95.6%，均优于仅使用超声图像构建的模型（准确性82.2%、敏感性79.2%、特异性86.6%、AUC=0.901），特别是RF参与后敏感性提高9.3%，可反过来验证超声图像可能丢失甲状腺结节的部分信息，而RF可以补充丢失的信息。该研究表明，与仅使用超声图像相比，基于超声图像和射频信号所携带的信息开发的CNN模型在诊断甲状腺结节时，具有更高的诊断性能，是一种很有希望的辅助甲状腺结节诊断的工具。AI技术发展对甲状腺超声图像素材的多样性也提出了更高的要求，除了二维超声图像和射频信号，多模态超声图像也可应用于DL方法［18］，有研究提出了一种将常规超声图像和弹性超声图像分别提取特征并融合的方法，结果表明该方法的准确率为92.4%，优于其他仅使用单一数据源的方法［33］。常规超声图像具有更高的灵敏度，弹性超声图像具有更高的特异性，两者优势的结合带来了更好的性能提升。在静态超声图像DL的基础上，动态AI由于可多角度、多断面对结节进行实时动态分析的优势，也被用于提高甲状腺结节诊断准确性的研究中。有研究开展基于动态AI超声智能诊断系统的甲状腺结节良恶性识别研究。动态AI采用DL技术，基于CNN建立甲状腺结节良恶性的人工智能辅助诊断模型，具有较高的诊断性能，诊断甲状腺结节的准确性、特异性和敏感性分别为89.97%、83.20%和92.21%［19］。另一项研究中，动态 AI对桥本甲状腺炎患者的恶性和良性甲状腺结节也有较高的诊断价值，其准确性、特异性和敏感性分别达到88.06%、80.19%和90.68%［34］。由于目前大多数DL研究没有提供关于分类过程的推理，为了提高临床应用预测模型的可信度，有研究提出了一种多属性注意网络DL框架，该框架提供可解释预测，更好地满足临床工作的需要［35］。

3.3" 甲状腺结节组织病理学预测

根据肿瘤来源和分化程度，甲状腺癌可细分为不同病理类型。尽早明确甲状腺肿瘤病理类型对患者进一步治疗至关重要。因此，为满足临床工作中精准诊疗需要，基于DL的甲状腺结节组织病理学预测智能诊断系统随之出现，它是在甲状腺结节分类方法的基础上发展而来的更加精确的辅助工具。有研究使用迁移学习对3个CNN模型InceptionV3、ResNe101和VGG19进行微调，从812例患者的结节样本中提取7360张图像，其中甲状腺乳头状癌（PTC）组1744张，滤泡型PTC（FVPTC）组852张，FTC组568张，Hurthle细胞癌（HCC）组152张，良性组4044张，以患者的组织学病理结果和良性结节患者的临床资料为金标准。结果显示CNN对各种病理类型恶性肿瘤的诊断准确率：PTC、FVPTC、FTC、HCC的最高准确率分别为81.4%、74.6%、72.7%、66.7%，表明CNN的诊断性能普遍超过医生，可以帮助临床医生更精确地分类不同类型的甲状腺癌［36］。有学者提出第一个术前区分FTC与滤泡腺瘤DL模型FThyNet，该模型预测FTC的AUC为89.0%，外部验证组AUC超过80.0%，预测FTC的有效性较高。而且在诊断浸润性FTC方面表现突出（AUCgt;0.9），明显高于超声医生（AUC=0.561）［37］。目前，利用AI智能诊断系统对甲状腺癌的特定病理亚型进行诊断的研究还比较缺乏，尤其是FTC。本研究填补了FTC与滤泡腺瘤在术前预测模型上的空白，也为改变甲状腺滤泡肿瘤传统治疗模式提供了新希望。

3.4" 预测甲状腺癌淋巴结转移（LNM）状态

甲状腺癌LNM术前评估对外科医生决定手术治疗方式非常重要，但术前超声检查对转移性淋巴结诊断敏感性较低。随着DL蓬勃发展，DL被广泛用于辅助甲状腺癌诊断。在预测甲状腺癌LNM状态方面，越来越多的研究开始使用DL进行相关研究。有学者进行了利用DL诊断转移性淋巴结的初步研究，数据集为812张颈部淋巴结超声图像，模型的准确性达到了83.0%［38］。有学者采用迁移学习方法先对DL模型进行预训练，然后进一步学习淋巴结超声检查图像。所得内、外部测试集的AUC均大于0.90［39］。虽然这些研究取得了不错的结果，但由于只依靠了B型超声图像，仅能提供有限的信息。多种超声模式的结合可以获取更全面的信息，更好地预测甲状腺癌LNM状态。有研究开发了一种基于Resnet50的多模态模型，用于预测PTC中的LNM。DL模型模拟人类的诊断过程，并利用了来自PTC患者的3种超声检查类型（B型超声、对比增强超声和颈部LNM超声）的图像数据。结果表明，三模态DL模型对预测PTC的LNM状态有较好的效果，准确率为80.65%，灵敏度为80.65%，特异性为82.26%，AUC为0.831。其预测性能高于单独的B型超声（准确率69.00%、敏感性70.00%、特异性73.00%、AUC=0.720）。此外，该研究还开发了一个热图，以阐明模型的感兴趣区，这可以增强被视为“黑箱”方法的DL模型的可解释性［40］。目前大多数DL算法的研究只利用医学图像，而忽略临床背景。但在临床诊疗中，临床医生是基于医学图像、患者病史和大量临床检查数据的结合来进行临床决策。因此，在这些研究中添加临床数据，可使这些算法获得更好的性能。有学者将临床记录、B型超声图像和彩色多普勒血流成像图像集成到DL算法中，开发深度多模态学习网络来预测原发性甲状腺癌患者LNM，并提出了一种定量评估3种模式在预测LNM中的贡献水平的新方法，结果显示，模型在2个独立验证集上的平均AUC为0.973，平均F1得分为0.888，均明显高于3个单一模态网络［41］。有研究结合DL与原发性甲状腺癌的临床变量（如年龄、性别、肿瘤最大尺寸）和术前超声（B超、彩色多普勒血流成像），建立了具有临床优势的自动预测颈部LNM的DL模型，获得比超声医生更高的诊断性能。该研究表明将临床参数和超声图像结合开发DL模型来预测甲状腺癌患者颈部LNM的方法是可行的，该整合模型有很大潜力作为辅助评估甲状腺癌颈部LNM状态的有力工具，以促进临床决策［42］。

4" DL的不足和展望

虽然DL的相关研究已经相当成功，但人为无法解释的“黑箱”问题仍然是研究的重点，智能信息化带来的信息安全、责任分工等问题仍然需要妥善处理。虽然一些研究中提出的方法已经被证明可以提高模型的可解释性［35， 40， 43］，但其仍然是DL研究的一大障碍。未来还需要更多的研究来探索，从而进一步提高DL方法在临床工作中的可信度。在广泛应用于临床之前，超声图像采集的差异性、图像数据不足等问题也亟待解决。在目前的DL研究中，超声图像的获取缺乏统一的标准，不同的超声诊断设备的使用和不同的医生操作会给扫描图像带来很大的差异，这些差异将直接影响诊断结果。且目前虽然迁移学习可以帮助解决小样本数据集中图像数据不足问题［44］，但超声图像和自然图像在特征上也存在巨大差异。因此，未来仍有必要进一步规范图像采集，推出认可的大数据集。此外，人工智能工具普遍的氙点就是它们不能同时处理多个任务，开发全面的人工智能系统能够检测人体的多种异常也是未来需要努力的方向。

尽管DL在甲状腺超声智能诊断领域的应用还存在许多尚未解决的问题，但它仍然可以作为一种强大的辅助工具，通过为超声医生提供辅助诊断建议来降低有创检查和治疗的风险［32， 45］，这有助于提高整体超声医师的诊断水平。现有一些商用的基于DL计算机辅助诊断系统也表明，DL在甲状腺结节的诊断中具有极大应用价值［46-49］。相信随着硬件功能的进步、算法结构的完善、现代统计方法的创新以及可用数据支持的快速增长，甲状腺结节超声DL智能辅助诊断系统的应用价值能够不断提升，并继续向着高准确、高效率、广范围的方向发展，为临床诊疗工作提供更全面的参考信息。

参考文献：

［1］" " 中华医学会内分泌学分会， 中华医学会外科学分会甲状腺及代谢外科学组， 中国抗癌协会头颈肿瘤专业委员会， 等. 甲状腺结节和分化型甲状腺癌诊治指南（第二版）［J］. 国际内分泌代谢杂志， 2023， 43（2）： 149-94.

［2］" Durante C， Grani G， Lamartina L， et al. The diagnosis and management of thyroid nodules： a review［J］. JAMA， 2018， 319（9）： 914-24.

［3］" "Sung H， Ferlay J， Siegel RL， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021， 71（3）： 209-49.

［4］" "Gharib H， Papini E， Garber JR， et al. American association of clinical endocrinologists， American college of endocrinology， and associazione medici endocrinologi medical guidelines for clinical practice for the diagnosis and management of thyroid nodules： 2016 update［J］. Endocr Pract， 2016， 22（5）： 622-39.

［5］" "Horvath E， Majlis S， Rossi R， et al. An ultrasonogram reporting system for thyroid nodules stratifying cancer risk for clinical management［J］. J Clin Endocrinol Metab， 2009， 94（5）： 1748-51.

［6］" "Tessler FN， Middleton WD， Grant EG， et al. Re： ACR thyroid imaging， reporting and data system （TI-RADS）： white paper of the ACR TI-RADS committee［J］. J Am Coll Radiol， 2018， 15（3 Pt A）： 381-2.

［7］" Russ G， Bonnema SJ， Erdogan MF， et al. European thyroid association guidelines for ultrasound malignancy risk stratification of thyroid nodules in adults： the EU-TIRADS［J］. Eur Thyroid J， 2017， 6（5）： 225-37.

［8］" " 中华医学会超声医学分会浅表器官和血管学组， 中国甲状腺与乳腺超声人工智能联盟， 詹维伟， 等. 2020甲状腺结节超声恶性危险分层中国指南： C-TIRADS［J］. 中华超声影像学杂志， 2021， 7（3）： 185-200.

［9］" "Li MM， Dal Maso L， Vaccarella S. Global trends in thyroid cancer incidence and the impact of overdiagnosis［J］. Lancet Diabetes Endocrinol， 2020， 8（6）： 468-70.

［10］" Hao PY， Xu ZY， Tian SY， et al. Texture branch network for chronic kidney disease screening based on ultrasound images［J］. Front Inf Technol Electron Eng， 2020， 21（8）： 1161-70.

［11］ Esteva A， Kuprel B， Novoa RA， et al. Dermatologist‑level classification of skin cancer with deep neural networks［J］. Nature， 2017， 542（7639）： 115-8.

［12］" Gulshan V， Peng L， Coram M， et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs［J］. JAMA， 2016， 316（22）： 2402-10.

［13］" Lee H， Tajmir S， Lee J， et al. Fully automated deep learning system for bone age assessment［J］. J Digit Imaging， 2017， 30（4）： 427-41.

［14］" Chi JN， Walia E， Babyn P， et al. Thyroid nodule classification in ultrasound images by fine-tuning deep convolutional neural network［J］. J Digit Imaging， 2017， 30（4）： 477-86.

［15］ Mazurowski MA， Buda M， Saha A， et al. Deep learning in radiology： an overview of the concepts and a survey of the state of the art with focus on MRI［J］. J Magn Reson Imaging， 2019， 49（4）： 939-54.

［16］" Wang LT， Zhang L， Zhu MJ， et al. Automatic diagnosis for thyroid nodules in ultrasound images by deep neural networks［J］. Med Image Anal， 2020， 61： 101665.

［17］" Liu Z， Zhong SB， Liu Q， et al. Thyroid nodule recognition using a joint convolutional neural network with information fusion of ultrasound images and radiofrequency data［J］. Eur Radiol， 2021， 31（7）： 5001-11.

［18］" Xiang Z， Zhuo QL， Zhao C， et al. Self-supervised multi-modal fusion network for multi-modal thyroid ultrasound image diagnosis［J］. Comput Biol Med， 2022， 150： 106164.

［19］" Wang B， Wan Z， Li C， et al. Identification of benign and malignant thyroid nodules based on dynamic AI ultrasound intelligent auxiliary diagnosis system［J］. Front Endocrinol， 2022， 13： 1018321.

［20］ Fresilli D， David E， Pacini P， et al. Thyroid nodule characterization： how to assess the malignancy risk. update of the literature［J］. Diagnostics， 2021， 11（8）： 1374.

［21］" Akkus Z， Galimzianova A， Hoogi A， et al. Deep learning for brain MRI segmentation： state of the art and future directions［J］. J Digit Imaging， 2017， 30（4）： 449-59.

［22］ Kharazmi P， Zheng JN， Lui H， et al. A computer-aided decision support system for detection and localization of cutaneous vasculature in dermoscopy images via deep feature learning［J］. J Med Syst， 2018， 42（2）： 33.

［23］Zhu YC， Jin PF， Bao J， et al. Thyroid ultrasound image classification using a convolutional neural network［J］. Ann Transl Med， 2021， 9（20）： 1526.

［24］ Chen JY， You HJ， Li K. A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images［J］. Comput Methods Programs Biomed， 2020， 185： 105329.

［25］" Chen JS， Chen JY. Multimodal image feature fusion for improving medical ultrasound image segmentation［J］. Biomed Signal Process Contr， 2024， 89： 105705.

［26］ Lin XT， Zhou XG， Tong T， et al. A super-resolution guided network for improving automated thyroid nodule segmentation［J］. Comput Methods Programs Biomed， 2022， 227： 107186.

［27］" Kumar V， Webb J， Gregory A， et al. Automated segmentation of thyroid nodule， gland， and cystic components from ultrasound images using deep learning［J］. IEEE Access， 2020， 8： 63482-96.

［28］ Chu C， Zheng JH， Zhou Y. Ultrasonic thyroid nodule detection method based on U‑Net network［J］. Comput Methods Programs Biomed， 2021， 199： 105906.

［29］ Sun JW， Li CY， Lu ZD， et al. TNSNet： thyroid nodule segmentation in ultrasound imaging using soft shape supervision［J］. Comput Methods Programs Biomed， 2022， 215： 106600.

［30］ Wang L， Yang SJ， Yang S， et al. Automatic thyroid nodule recognition and diagnosis in ultrasound imaging with the YOLOv2 neural network［J］. World J Surg Oncol， 2019， 17（1）： 12.

［31］ Ma JL， Wu F， Zhu J， et al. A pre‑trained convolutional neural network based method for thyroid nodule diagnosis［J］. Ultrasonics， 2017， 73： 221-30.

［32］ Chen C， Jiang YT， Yao JC， et al. Deep learning to assist composition classification and thyroid solid nodule diagnosis： a multicenter diagnostic study［J］. Eur Radiol， 2024， 34（4）： 2323-33.

［33］" 武" 宽， 秦品乐， 柴" 锐， 等. 基于不同超声成像的甲状腺结节良恶性判别［J］. 计算机应用， 2020， 40（1）： 77-82.

［34］" Wang B， Wan Z， Zhang MB， et al. Diagnostic value of a dynamic artificial intelligence ultrasonic intelligent auxiliary diagnosis system for benign and malignant thyroid nodules in patients with Hashimoto thyroiditis［J］. Quant Imaging Med Surg， 2023， 13（6）： 3618-29.

［35］" Manh VT， Zhou JQ， Jia XH， et al. Multi-attribute attention network for interpretable diagnosis of thyroid nodules in ultrasound images［J］. IEEE Trans Ultrason Ferroelectr Freq Control， 2022， 69（9）： 2611-20.

［36］ Chan WK， Sun JH， Liou MJ， et al. Using deep convolutional neural networks for enhanced ultrasonographic image diagnosis of differentiated thyroid cancer［J］. Biomedicines， 2021， 9（12）： 1771.

［37］Yang ZY， Yao SQ， Heng Y， et al. Automated diagnosis and management of follicular thyroid nodules based on the devised small‑dataset interpretable foreground optimization network deep learning： a multicenter diagnostic study［J］. Int J Surg， 2023， 109（9）： 2732-41.

［38］" Lee JH， Baek JH， Kim JH， et al. Deep learning-based computer-aided diagnosis system for localization and diagnosis of metastatic lymph nodes on ultrasound： a pilot study［J］. Thyroid， 2018， 28（10）： 1332-8.

［39］" Yu JH， Deng YH， Liu TT， et al. Lymph node metastasis prediction of papillary thyroid carcinoma based on transfer learning radiomics［J］. Nat Commun， 2020， 11（1）： 4807.

［40］ Guang Y， Wan F， He W， et al. A model for predicting lymph node metastasis of thyroid carcinoma： a multimodality convolutional neural network study［J］. Quant Imaging Med Surg， 2023， 13（12）： 8370-82.

［41］ Wu XL， Li MY， Cui XW， et al. Deep multimodal learning for lymph node metastasis prediction of primary thyroid cancer［J］. Phys Med Biol， 2022， 67（3）. doi： 10.1088/1361-6560/ac4c47.

［42］" Zhou LQ， Zeng SE， Xu JW， et al. Deep learning predicts cervical lymph node metastasis in clinically node-negative papillary thyroid carcinoma［J］. Insights Imaging， 2023， 14（1）： 222.

［43］" Wu XQ， Tan GH， Luo HX， et al. A knowledge-interpretable multi-task learning framework for automated thyroid nodule diagnosis in ultrasound videos［J］. Med Image Anal， 2024， 91： 103039.

［44］" Zhou H， Wang K， Tian J. Online transfer learning for differential diagnosis of benign and malignant thyroid nodules with ultrasound images［J］. IEEE Trans Biomed Eng， 2020， 67（10）： 2773-80.

［45］ Peng S， Liu YH， Lv WM， et al. Deep learning‑based artificial intelligence model to assist thyroid nodule diagnosis and management： a multicentre diagnostic study［J］. Lancet Digit Health， 2021， 3（4）： e250-e259.

［46］ Choi YJ， Baek JH， Park HS， et al. A computer‑aided diagnosis system using artificial intelligence for the diagnosis and characterization of thyroid nodules on ultrasound： initial clinical assessment［J］. Thyroid， 2017， 27（4）： 546-52.

［47］ Gitto S， Grassi G， de Angelis C， et al. A computer-aided diagnosis system for the assessment and characterization of low‑to‑high suspicion thyroid nodules on ultrasound［J］. Radiol Med， 2019， 124（2）： 118-25.

［48］" Jeong EY， Kim HL， Ha EJ， et al. Computer-aided diagnosis system for thyroid nodules on ultrasonography： diagnostic performance and reproducibility based on the experience level of operators［J］. Eur Radiol， 2019， 29（4）： 1978-85.

［49］" Yoo YJ， Ha EJ， Cho YJ， et al. Computer-aided diagnosis of thyroid nodules via ultrasonography： initial clinical experience［J］. Korean J Radiol， 2018， 19（4）： 665-72.

（编辑：郎" 朗）

收稿日期：2024-05-20

基金项目：甘肃省自然科学基金（20JR5RA153）

作者简介：姚巧丽，在读硕士研究生，E-mail： 3212664627@qq.com

通信作者：高翠霞，主任医师，硕士生导师，E-mail： oo13352859335@163.com