AI助力甲状腺结节诊断，精准医疗触手可及

在精准医疗的趋势下，甲状腺结节（TNS）的诊断技术正迎来革新的曙光。国内著名病理学专家杨耀湘巧妙地运用机器学习模型，对甲状腺结节的超声影像进行深度分析，从而在良性与恶性结节的鉴别上取得了显著进展，为临床提供了一种全新的诊断工具。

高分辨率超声（HRUS）是在甲状腺结节诊断的核心技术之一，它在辨别结节性质方面扮演着重要角色。然而，尽管HRUS在识别甲状腺结节方面取得了显著进展，其在区分良性和恶性结节上的特异性和敏感性尚未达到理想的水平。这一局限性可能导致甲状腺结节的过度诊断和治疗，从而给患者带来不必要的心理压力和医疗开销。

2023年12月3日，杨耀湘（Yaoxiang YANG）开展了一项研究，通过应用机器学习模型，根据二维超声结合五个增强超声关键帧来区分C-TIRADS 4级的良、恶性甲状腺结节，探索了机器学习模型在甲状腺结节诊断中的应用。她通过结合二维超声和五个关键对比增强超声帧，机器学习模型能够更准确地区分良性和恶性结节。这项研究不仅展示了这项技术在医学影像诊断中的应用潜力，而且填补了甲状腺结节诊断领域的研究空白，为临床实践提供了新的诊断工具。

该研究旨在应用机器学习从甲状腺二维超声（2D-US）结合五帧对比增强超声（CEUS）图像中提取放射组学特征，以分类和预测良性和恶性甲状腺结节。研究纳入了313个经过病理诊断的甲状腺结节（203个恶性和110个良性）。杨耀湘从每个结节中选取两帧2D-US图像和五帧CEUS关键帧，手动标记感兴趣区域，并导入Darwin研究平台进行放射组学分析。数据集随机分为9:1的训练和测试队列。

研究结果证实了机器学习模型的诊断效能。杨耀湘评估了六种机器学习模型（支持向量机SVM、逻辑回归LR、决策树DT、随机森林RF、梯度提升决策树GBDT和极端梯度提升XGBOOST）在训练队列和测试队列中的表现，结果显示：RF模型在测试队列中的AUC达到了0.94，这一数值远高于SVM的0.74，表明RF模型在区分良性和恶性甲状腺结节方面具有较高的诊断效能。

　　敏感性与特异性分析

在测试队列中，RF模型的敏感性为0.82，特异性为0.93。这意味着该模型在保持较高真实阳性率的同时，也能有效地减少误报，这对于临床实践中避免不必要的侵入性检查（如FNA）尤为重要。

　　准确性与其他预测指标

结果显示，RF模型的准确性达到了0.90，PPV为0.85，NPV为0.92，F1分数为0.84。这些指标的高值进一步证实了RF模型在甲状腺结节良恶性分类中的可靠性和有效性。

　　与放射科医师的诊断性能比较

研究中，一名初级放射科医师和一名资深放射科医师对结节的2D-US图像和CEUS视频进行了独立诊断。RF模型与资深放射科医师的诊断性能相当（AUC: 0.94 vs. 0.92, P = 0.798; ACC: 0.90 vs. 0.92），并在特异性上超过了两位医师。与初级放射科医师相比，RF模型在敏感性、特异性和NPV方面表现更佳（P = 0.039）。

图2：初级放射科医师和资深放射科医师分别对TIRADS、CEUS和TIRADS结合CEUS的ROC曲线

RF模型的高AUC值表明，机器学习能够从2D-US和CEUS图像中提取出对诊断有重要价值的放射组学特征。这些特征可能包括结节的形态、边界、内部结构以及CEUS图像中的血流动力学变化等，这些特征对于人类观察者来说可能难以识别或量化。此外，RF模型的高敏感性和特异性意味着其能够在保持低误报率的同时，最大限度地发现真正的恶性结节，这对于临床决策具有重要意义。

杨耀湘的研究是探索自动化人工智能系统在提高结节分割和关键帧选择效率和准确性方面的重大突破，她创新性地结合了2D-US和CEUS关键帧的放射组学特征，并通过机器学习模型提高了对C-TIRADS 4类甲状腺结节的诊断效能。这不仅为减少不必要的细针穿刺（FNA）提供了可能，也为缺乏经验的初级放射科医师提供了有力的辅助工具。此外，该研究的发现强调了在CEUS过程中对特定时间点的关注，这将有助于提高诊断的准确性并减少放射科医师的工作量。

在医疗科技日新月异的今天，人工智能正悄然改变着甲状腺结节的治疗格局，为患者带来了前所未有的治疗体验与安全保障。杨耀湘的创新成果，不仅标志着甲状腺疾病治疗领域的重大进步，更是科技与医学深度融合的典范，让“腺体安全无忧”的梦想照进了现实。（作者：曾安堂）

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。