首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 超声诊断论文 > 超声人工智能辅助诊断系统用于甲状腺髓样癌

超声人工智能辅助诊断系统用于甲状腺髓样癌

2024-02-23 141 上传者：管理员

摘要：目的以甲状腺乳头状癌(PTC)为对照，对比超声甲状腺人工智能(AI)辅助诊断系统(AI辅助诊断系统)与不同年资超声医师诊断甲状腺髓样癌(MTC)的效果。方法纳入经病理证实的63枚MTC、70枚PTC和62枚良性结节。以AI辅助诊断系统分析并识别结节，将恶性概率值≥0.40者诊断为恶性结节；由高、中及初级职称医师各1名利用我国甲状腺影像报告和数据系统(C-TIRADS)对甲状腺结节进行分类；对比两种方法诊断MTC及PTC的效能。结果 AI辅助诊断系统诊断MTC和PTC的敏感度、特异度、阳性预测值、阴性预测值、准确率及曲线下面积(AUC)均低于3名医师；高、中级职称医师与AI辅助诊断系统诊断MTC和PTC的AUC差异均有统计学意义(P均<0.01),初级职称医师与AI辅助诊断系统AUC差异均无统计学意义(P均>0.05)。AI辅助诊断系统诊断MTC的敏感度、特异度、阳性预测值、阴性预测值、准确率及AUC均低于其诊断PTC,但AUC差异无统计学意义(P>0.05)。结论超声甲状腺AI辅助诊断系统诊断MTC效能较高。

关键词：
人工智能
滤泡旁降钙素分泌细胞
甲状腺肿瘤
癌
超声检查
髓样
加入收藏

80%以上甲状腺癌为甲状腺乳头状癌(papillary thyroid carcinoma, PTC),具有典型影像学表现[1]。甲状腺髓样癌(medullary thyroid carcinoma, MTC)起源于滤泡旁降钙素分泌细胞，恶性程度较高，占所有甲状腺癌的3%～5%,预后较差[2]。影像学主要依靠超声检出MTC,但恶性征象多不典型[3,4,5],且超声具有操作者依赖性，诊断存在一定困难。人工智能(artificial intelligence, AI)计算机辅助诊断系统在影像学领域迅速发展，提高了影像学诊断的准确性；超声甲状腺AI辅助诊断系统(以下简称AI辅助诊断系统)用于鉴别诊断甲状腺良、恶性结节具有较高价值[6,7]。本研究以PTC为对照，对比AI辅助诊断系统及不同年资超声医师诊断MTC的效果。

1、资料与方法

1.1研究对象

回顾性分析2012年9月—2023年9月北京大学第一医院51例MTC、59例PTC及60例良性甲状腺结节患者。51例MTC中，男27例、女24例，年龄29～78岁、平均(50.4±12.1)岁；共63枚结节，平均最大径(1.77±1.19)cm。59例PTC中，男25例、女34例，年龄22～65岁、平均(43.8±10.7)岁；共70枚结节，平均最大径(1.13±0.64)cm。60例良性甲状腺结节患者中，男16例、女44例，年龄21～83岁、平均(51.2±15.4)岁；共62枚结节，包括结节性甲状腺肿33枚、滤泡性腺瘤29枚，平均最大径(1.82±0.81)cm。纳入标准：①经手术或活检病理证实诊断；②超声资料完整、图像清晰；③临床资料完整。本研究通过院伦理委员会批准(2021研491-001),检查前所有患者均知情同意。

1.2仪器与方法

采用Philips EPIQ7/GE Volume E8/Siemens ACUSON S2000或ABVS超声诊断仪，7～14 MHz高频线阵探头扫查双侧乳腺并保存图像。

1.2.1超声医师评估

由3名不知晓患者临床信息及病理结果的超声科医师(高、中及初级职称医师各1名，分别具有15、8和2年超声诊断工作经验)于医学影像工作站中调取并分析甲状腺声像图，按照我国甲状腺影像报告和数据系统(Chinese thyroid imaging reporting and data system, C-TIRADS)2020版[8,9]标准对甲状腺结节进行分类，包括C-TIRADS 2、3类(无恶性特征)、4a类(1个可疑恶性特征)、4b类(2个可疑恶性特征)、4c类(3～4个可疑恶性特征)和5类(5个可疑恶性特征)。

1.2.2 AI辅助诊断系统

采用德尚韵兴AI-SONICTM超声智能辅助诊断系统。由另1名具有10年以上工作经验、不知晓病理结果及其他医师分类结果的超声科医师将图像导入AI辅助诊断系统，自动勾画结节，经医师进行复核及手动修改后，系统计算结节恶性概率值(范围为0～1),以<0.40为偏良性、≥0.40且<0.60为可疑恶性、≥0.60为偏恶性，以0.40作为评估良、恶性结节的临界值。对所有图像均分析3次，取最高恶性概率值。

1.3统计学分析

采用SPSS 22.0统计分析软件。以病理结果为金标准，分别计算AI辅助诊断系统和3名医师诊断甲状腺恶性结节的敏感度、特异度、阳性预测值、阴性预测值及准确率。绘制受试者工作特征(receiver operating characteristic, ROC)曲线，计算曲线下面积(area under the curve, AUC),评估AI辅助诊断系统和3名医师鉴别甲状腺良、恶性结节的价值，并以DeLong检验进行比较。行多重比较时，以Bonferroni法校正P值，P<0.05为差异有统计学意义。

2、结果

2.1诊断效能

AI辅助诊断系统自动识别195个甲状腺结节，无漏诊病例；C-TIRADS 4a类及以上、AI恶性概率值≥0.40时考虑甲状腺结节存在恶性征象，AI辅助诊断系统诊断MTC和PTC的敏感度、特异度、阳性预测值、阴性预测值、准确率及AUC均低于3名医师。高、中级职称医师与AI辅助诊断系统诊断MTC和PTC的AUC差异均有统计学意义(P均<0.01),初级职称医师与AI辅助诊断系统AUC差异均无统计学意义(MTC:P=0.093;PTC:P=0.513),见表1及图1。

AI辅助诊断系统诊断MTC的敏感度、特异度、阳性预测值、阴性预测值、准确率及AUC均低于其诊断PTC,但AUC差异无统计学意义(P=0.297),见表1。

2.2误诊分析

63枚MTC结节中，AI辅助诊断系统提示54枚倾向恶性、9枚为良性；70枚PTC结节中，AI辅助诊断系统提示66枚倾向恶性、4枚为良性。AI辅助诊断系统误诊为良性结节的恶性概率值及3名医师的C-TIRADS分类结果见表2、3。

表1超声甲状腺AI辅助诊断系统及3名医师诊断MTC和PTC的效能

图1超声甲状腺AI辅助诊断系统及3名医师诊断MTC及PTC的ROC曲线

AI辅助诊断系统和3名医师均误诊为良性结节的MTC超声表现为囊实性、偏低回声，纵横比<1,边界清晰，结节内未见点状强回声(图2);两种方法均误诊为良性结节的PTC表现为甲状腺双叶多发结节，超声呈实性、中等回声，纵横比<1,边界清晰，结节内见粗大强回声；其余同侧结节术后病理为结节性甲状腺肿，3名医师均考虑为结节性甲状腺肿并分类为C-TIRADS 3类。

3、讨论

近年来，AI诊断系统临床应用日趋广泛[10,11]。龚忠静等[10]以AI-SONICTM评估195枚甲状腺结节，结果显示该系统对甲状腺结节具有优于医师的较高诊断价值。本研究采用AI辅助诊断系统，通过卷积神经网络对甲状腺结节超声图像进行深度学习，可自动检测甲状腺图像并勾画结节，快速分析结节特征并给出相应结节恶性概率值；但该系统诊断MTC和PTC的敏感度、特异度、阳性预测值、阴性预测值、准确率和AUC均低于3名医师；高级职称医师诊断效能最高，中级职称医师次之，初级职称医师及AI殿后。本研究3名超声医师以基于我国国情的最新C-TIRADS[8,9]进行评估，恶性征象包括垂直位、实性、极低回声、点状强回声、边缘模糊，对MTC具有较高诊断效能[1,12],但其对甲状腺恶性结节进行评分的标准之一为极低回声，易将MTC风险低估1个等级，故本研究以C-TIRADS 4a类及以上为恶性结节，以提高医师、尤其初级职称医师诊断甲状腺恶性结节的效能；且如此虽可能导致特异度降低，但C-TIRADS根据4a类结节大小推荐相应的临床决策，可避免临床过度诊治。

目前AI深度学习甲状腺结节的研究仍缺乏少见病理类型大数据样本。本研究AI辅助诊断系统诊断MTC的效能低于其诊断PTC而差异无统计学意义，与MTC恶性超声特征不如PTC典型有关；3名超声医师根据C-TIRADS诊断MTC结节的效能也均低于诊断PTC,与MTC发病率低有关。进一步完善和更新大数据，有助于提高AI辅助诊断系统识别和诊断MTC的能力。

表2超声甲状腺AI辅助诊断系统误诊MTC为良性结节的恶性概率值及3名医师C-TIRADS分类结果

表3超声甲状腺AI辅助诊断系统误诊PTC为良性结节的恶性概率值及3名医师C-TIRADS分类结果

图2甲状腺AI辅助诊断系统诊断MTC

本组不同职称超声医师间，经验和诊断水平存在差异。AI辅助诊断系统将9枚MTC及4枚PTC误诊为良性结节，其中1枚MTC结节和1枚PTC结节3名医师均诊断为C-TIRADS 3类，与超声表现不典型有关；医师1、2将另外8枚MTC结节均诊断为4a/4b类，医师3诊断3枚为3类、5枚4a类；3名医师均将其余3枚PTC诊断为4b/4c类结节。此外，本研究针对既往存储的静态声像图进行分析，图像质量易受操作者主观及超声仪器影响；观察动态实时图像或可提高诊断率。

综上所述，甲状腺超声AI辅助诊断系统诊断MTC效能较高，但仍需进一步完善及更新，以提高其对不典型甲状腺结节的诊断效能。但本研究为单中心回顾性分析，样本量有限，难以避免选择性偏倚；未来结合彩色多普勒图像有助于进一步提高状腺超声AI辅助诊断系统诊断MTC的能力。

利益冲突：全体作者声明无利益冲突。

作者贡献：江柳研究设计和实施、图像和数据分析、撰写和修改文章；陈蕾研究实施、图像和数据分析、修改文章；张晓婷、刘畅、梁振威和孙秀明研究实施、图像分析、修改文章；邵玉红修改和审阅文章；陈路增研究设计、修改和审阅文章。

参考文献:

[3]陈圣,唐力,吴松松,等.超声多因素分析预测甲状腺髓样癌[J].中国医学影像技术,2020,36(10):1461-1464.

[4]敬文莉,王红,王冬梅,等.对比甲状腺髓样癌与滤泡癌超声特征[J].中国医学影像技术,2020,36(9):1413-1415.

[5]刘鑫,朱乔丹,刘俊平等.甲状腺髓样癌的超声特征分析[J/CD].中华医学超声杂志(电子版),2021,18(3):266-271.

[9]周建桥,詹维伟.2020年中国超声甲状腺影像报告和数据系统(C-TIRADS)指南解读[J].诊断学理论与实践,2020,19(4):350-353.

[10]龚忠静,杨慧娴,杨青,等.AI超声智能辅助诊断系统对甲状腺结节诊断价值的初步探讨[J].中国临床医学影像杂志,2021,32(11):781-784,788.

[11]郭芳琪,赵佳琦,陈蕊,等.2.0版人工智能自动检测系统对甲状腺结节术前超声评估效能的初步探讨[J].第二军医大学学报,2020,41(10):1077-1083.

[12]倪晓枫,徐上妍,詹维伟,等.甲状腺髓样癌的C-TIRADS分类价值的探讨[J].医学影像学杂志,2023,33(3):409-412.

文章来源:江柳,陈蕾,张晓婷等.超声人工智能辅助诊断系统用于甲状腺髓样癌[J].中国医学影像技术,2024,40(02):208-211.