AI在甲状腺结节超声智能诊断中的应用
时间：2023-06-21 11:50:05 来源：雅意学习网 本文已影响 人 
肖冰心，吴国柱
1.内蒙古科技大学 包头医学院 研究生院，内蒙古 包头 014040；
2.内蒙古自治区人民医院 超声科，内蒙古 呼和浩特 010017
研究表明，甲状腺癌是近年来发病率最高的恶性肿瘤之一[1]。超声具有安全无创、方便快捷、可重复性高等优点，能对甲状腺结节进行高分辨率成像，准确判断结节良恶性及预测淋巴结是否转移，已成为甲状腺结节首选的影像学检查方式[2]。然而，超声诊断甲状腺结节对医生有高度的经验依赖性。人工智能（Artificial Intelligence，AI）自诞生以来理论和技术日益成熟，应用领域也不断扩大，以其为依据的计算模型能够对甲状腺结节进行精准分类及预后评估，在临床实践中具有广阔的应用前景。基于此，本文旨在针对AI在甲状腺结节超声智能诊断中的研究进展进行综述，以期为甲状腺癌患者诊断提供一定的理论依据。
AI是计算机通过不断学习、更新运算来模拟人类认知的过程，包括机器学习（Machine Learning，ML）、深度学习（Deep Learning，DL）和卷积神经网路（Convolutional Neural Network，CNN），具体的层次关系如图1所示。ML算法是将从输入数据观察到的特征映射到输出结果，这些数据是专家预定义的手工特征，被认为能够有效区分不同结节的类别。DL是基于人工神经网络的多个处理层，可以自动学习并从原始数据中积累经验，以分层、非线性的方式处理输入数据。CNN是人工神经网络的子类别，可以模拟人类大脑中相互连接的神经元行为，是一种应用于图像处理的DL算法，由卷积层、池化层、全连接层及非线性层组成[1]。随着ML的发展，1966年Ledley等[3]首次提出计算机辅助诊断（Computer Aided Diagnosis，CAD）系统，该系统通过对输入的超声图像进行预处理、特征提取、选择及分类等操作并结合计算机分析，进一步提高了结节诊断的准确率。2012年图像分类器的成功开发和应用，促进了AI在超声医学领域的深入开展。AI可以提取和量化超声图像中的关键特征，取代传统方式使图像诊断从主观的定性任务转变为客观的定量分析，从而获得更精确的诊断结果。
图1 AI、ML、DL和CNN之间的层次关系
在高频超声用于甲状腺结节检测之前，临床医师主要依据经验对结节进行触诊，一般直径＞10 mm的结节才有可能被触及。1967年Fujimoto等[4]首次应用超声对甲状腺结节进行诊断并取得良好的效果。近几十年随着高频超声的快速发展和其新技术的应用，直径2～3 mm的甲状腺结节可被有效检出，对结节的诊断具有较高的临床应用价值，早期确诊甲状腺结节的数量及性质，预测恶性结节颈部淋巴结是否转移至关重要，可辅助临床制订合适的治疗方式，达到更好的预后效果[5]。然而，超声对甲状腺结节诊断结果的准确性对医师经验依赖较大，低年资医师甚至存在漏诊情况，因此，探寻一种客观、有效的智能诊断方法具有重要意义。
2.1 甲状腺结节识别
准确检测及识别甲状腺结节，获得关于结节外观、内部成分等信息，可提高其诊断准确率。Redmon等[6]为有效识别不同大小的甲状腺结节、提取结节边缘和纹理信息，基于YOLOv3提出v3密集多感受野CNN（Dense Multireceptive Fields，YOLOv3-DMRF），包 括 DMRFCNN和多尺度检测层。先对数据进行预处理，之后使用K-means算法根据原始甲状腺超声图像的训练数据集获得原始锚框，将传统卷积与DMRF-CNN中的扩张卷积相结合，提取边缘和纹理特征并传递到更深的层。多尺度检测层用来识别不同大小的甲状腺结节，最终实现甲状腺结节高效的检测及识别，使分类结果更加精准。国外有学者发现之前研究的各种智能算法在成像前，原始射频信号所携带的详细信息可能被扭曲或消失，限制了对甲状腺结节的诊断效能，因此开发了IF-JCNN的DL模型[7]。IF-JCNN包含2个分支CNNs用于深度特征的提取：一个用于超声图像，另一个用于射频信号。超声图像处理模型基于VGG-16构建，由5个模块组成；
射频信号采用EEGNet模型进行特征提取，在IF-JCNN后端将2个分支提取的深层特征融合，通过3个完全连接的层对集成的特征进行处理，输出分类结果，最终实验所得的各项结果均优于仅使用超声检查获得的结果[7]。
2.2 甲状腺结节分割
甲状腺结节分割通常用于获得病变区域的形态和边界，其在临床指标计算和结节良恶性诊断中有重要作用。在超声声像图中甲状腺结节的固有组织结构强度不均匀，且结节的外观和成分与正常腺体背景相似，因此对其进行精确分割具有挑战性。分割方法主要分为4种，包括基于轮廓和形状的方法、基于区域的方法、机器和DL方法以及混合方法。有学者将4种甲状腺结节分割方法进行综合分析和比较，认为相对比其他分割方法，基于轮廓和形状的方法能有效降低超声图像中噪声的影响，更好地分割甲状腺结节[8]。然而，此方法的性能取决于初始化和预处理，同时需要后续特征选择及分类器的帮助，步骤复杂且对分割结果有主观影响。为解决上述问题，Ma等[9]提出采用基于二维超声图像的深层CNN模型对甲状腺结节进行分割，可以保持局部图像关系并自动捕获越来越多的层次特征，同时采用多视角策略进一步提高CNN的性能。该模型包含15个卷积层和2个池化层，主要将从甲状腺超声图像中提取的图像块作为输入，提取结节并捕获结节的特异性，不同层将不同的特征图作为其输出，最后输出分割概率图。实验结果证明，该模型在没有任何人工干预及后处理的情况下，可对表现各异的甲状腺结节实现简单、高效的分割。为提高源域和目标域的性能，Ma等[10]提出了一种具有转移学习的新型多通道模型DenseNet（Mul-DenseNet），尝试将甲状腺结节及乳腺结节的超声图像作为输入验证其存在的共同特征，进一步提高诊断结节性质的准确性。主要包括密集块结构、卷积层、无参数学习的双尺寸层、多通道卷积层和多通道ConvFix层，泄露整流线性单元被用作激活函数，迁移学习策略和多视角策略用来提高性能。该模型先使用现有数据集ImageNet进行预训练，然后输入超声图像作为输入，生成结节分割概率图，最后使用分裂方法获得精确的病灶边界。与其他分割方法相比，在面对分割周围结构相似或病变成分复杂的情况，Mul-DenseNet实验所得的结果更加精确。
2.3 甲状腺结节分类
2017年美国放射学敏感发布了甲状腺影像与报告系 统（Thyroid Imaging Reporting and Data System，TI-RADS）分类，根据甲状腺结节声像图不同特点总和评分进行分级，点状钙化、低回声、边缘不规则等声像图特征提示结节恶性程度增加[11]。甲状腺癌是人类历史上首次存在的自限性癌症，年轻人早期发现会导致过度治疗，而在老年人中，甲状腺癌是一种自限性和致命癌症的混合体，个别癌性患者伴有淋巴结转移；
对于良性甲状腺结节，需要定期超声复查，研究证实，良性结节5年随访期间，15%的病例出现明显的结节生长，9.3%的患者出现新的结节，0.3%的结节被诊断为甲状腺癌，因此对甲状腺结节正确分类至关重要[12]。Wang等[13]设计了一种基于CNN的新型架构，首先使用特征提取网络接收一次检查中获得的多角度超声图像并输出提取特征，之后采用基于注意力的特征聚合网络对从不同视角采集的图像特征进行整合，该聚合网络包括卷积层、批量标准化层、激活层及全局平均池层4层，其为样本中的每幅图像指定一个注意力分数，并将与相应图像的特征加权总和作为样本的聚合特征输出，最后分类网络接收综合特征并输出诊断结果，与Hu等[14]提出的多特征聚合算子相比，其诊断准确率和敏感度分别提高了1.11%、8.76%。为进一步提高甲状腺结节分类系统的性能，Nguyen等[15]提出了一种基于AI的计算模型，其先对图像进行预处理，提取有用的感兴趣区域图像，之后从基于快速傅立叶变换的频域中提取结节特征，对结节进行粗分类，当分类结果为模糊的良恶性时，将剩余网络和初始网络进行组合来对结节进一步精细分类，得出最终的分类结果。实验结果证明，使用加权二进制交叉熵可解决数据集不平衡的问题。此模型的性能优于最新基于AI的甲状腺结节分类系统。随着越来越多的学者对AI在甲状腺结节智能诊断中的应用展开研究，其技术越来越成熟，部分甲状腺结节智能诊断系统已研发上市，进入临床试用阶段，如麦武平等[16]研究证实，低年资医师应用已进入临床试用的AI- CAD系统（AISONICTM Throid）诊断甲状腺结节良恶性，可有效提高结节诊断准确率，缩短低年资医生培养周期，适用于甲状腺结节的早期筛查或体检中，避免漏诊及不必要的穿刺活检[17]。AI在甲状腺结节超声智能诊断中的应用如表1所示。
表1 AI在甲状腺结节超声智能诊断中的应用
超声技术联合应用已成为一种发展趋势，可实现优势互补，提高诊断的准确率。AI-CAD可对超声图像特征进行高效提取及评估，避免人工主观性，但诊断结果易受结节呈中等回声、与周围腺体粘连等因素影响[18]。超声弹性成像技术为甲状腺结节与正常腺体组织之间的弹性比值，可反映结节的硬度，但在诊断中受组织钙化、桥本氏甲状腺炎等影响[19]。宋林科等[20]采用AI-CAD联合弹性成像技术用于甲状腺结节的诊断，在有效提取、分析甲状腺结节超声图像特征的基础上联合病变范围内组织硬度对结节的性质进行判断，研究结果证实，联合诊断下的灵敏度及特异度更高。根据ACR TI-RADS分类，4类甲状腺结节的恶性风险为在2%～95%之间，5类甲状腺结节的恶性概率大于20%，因此准确分类甲状腺结节有较大的临床意义[21]。有研究者将AI与超声造影联合应用于4类和5类结节的诊断，发现AI能够弥补超声造影增强模式中良恶性结节重叠、峡部结节受甲状软骨和筋膜影响的缺点，可自动识别病灶区域、进行分割和量化分析；
同时AI诊断结果高度依赖输入系统的结节最佳切面，超声造影能够弥补这一劣势，提高分类准确率[22]。
颈部淋巴结是甲状腺癌常见转移部位，有研究显示，分化型甲状腺癌颈部淋巴结转移率达50%～80%，髓样癌的淋巴结转移率为66%，未分化癌的淋巴结转移率达80%[23-24]。大部分甲状腺癌先转移到中央区淋巴结，再至同侧侧颈部。也有6.8%～37.5%的患者中央区淋巴结未发生转移，而侧颈部淋巴结发生了转移，称为“跳跃性转移”[25-26]。颈部淋巴结转移是影响甲状腺癌患者预后的独立危险因素，有研究指出，伴有淋巴结转移的甲状腺癌复发率及病死率均为无颈部淋巴结转移者的30倍[27]。部分外科医师为降低复发率、改善患者结节的TNM分期，采取甲状腺全切术和预防性中央区淋巴结清扫，但术后会造成患者喉返神经、甲状旁腺损伤等并发症[28]。因此早期准确判断淋巴结是否转移及转移部位可帮助临床制订手术方式、评估患者预后情况，避免不必要的手术损伤。
以往的研究多针对普通二维超声、超声造影及超声弹性成像等技术，普通二维超声图像中颈部淋巴结纵横比＜2、内部可见微钙化等是甲状腺癌淋巴结转移的重要特征[29]；
超声造影中可见动脉期甲状腺结节呈等、高增强是甲状腺癌淋巴结转移的独立危险因素[30]；
超声弹性成像中甲状腺结节杨氏模量最大值＞43.43 kPa是甲状腺癌淋巴结转移的重要参数[31]。但这些研究样本量较少且预测结果的准确率依赖于医师的主观性，为进一步改善预测结果，李盈盈等[32]首次基于AI建立了一种诊断模型用于预测甲状腺癌中央区淋巴结转移。首先对图像进行预处理，将预处理后的横切及纵切超声图像分别作为一个通道，并将预先标注的患者临床信息和病灶的图像特征信息等整合形成特征图作为另一个通道，形成三通道图像输入模型，输出淋巴结是否转移的预测结果，减少了淋巴结显示、选择等干扰因素，最后选用ResNet残差网络并将其进行优化，结果表明，该模型提高收敛速度的同时增强了分类精确度，使准确率及敏感性分别达到80%、76%。国外有学者将AI-CAD系统应用于诊断甲状腺癌患者侧颈部淋巴结是否发生转移，利用CNN-总体平均池进行淋巴结的定位及鉴别，可在没有位置信息的情况下进行分割与分类，敏感性为89%，高于普通超声的检测结果[33]。
目前基于AI的甲状腺结节超声智能诊断系统中已批准上市的主要有安克侦系统、AI-SONICTM Throid、S-Detect等。安克侦系统通过对1万多个甲状腺结节超声图像组成的数据库进行训练，能够客观分析图像特征，提高结节分类准确度，孙鑫等[34]通过研究证实，其对结节诊断的敏感度与具有5年临床经验医师的水平一致。AI-SONICTM Throid是国内自主开发的基于深度学习框架De-Light的CAD系统，Mai等[35]研究证实，AI-SONICTM Throid在结节诊断中具有较高的准确性。S-Detect以GoogLeNet模型为基础，通过对TIRADS分级和美国甲状腺协会等分级方法学习的基础上建立，陈晨等[36]研究发现，该模型辅助超声医师可明显提高结节诊断效能，且目前多家医疗机构已购入甲状腺结节智能诊断系统进行辅助检查。数据是AI-CAD系统最核心、最关键的组成部分，其质量在很大程度上决定了系统的性能。现有数据集主要分为图像处理、自然语言处理及音频处理3类，其中MNIST、MS-COCO、ImageNet等是运用最广泛的DL数据集。
随着AI技术的不断发展，促进了现代超声医学向智能诊断迈进，并已成功从实验研究阶段迈入临床试用阶段，实现了甲状腺结节精准识别及分割，得出更加准确的结节分类结果，提高诊断甲状腺癌淋巴结是否转移及转移部位的准确率，帮助医师减少工作量、制订合适的治疗方式，进一步实现精准化医疗。然而现阶段AI在医学领域的应用仍有很多局限性：① 由于超声图像人工采集及评估的主观性，导致数据库的标准不统一；
② 在训练、验证和共享数据时保护患者隐私和数据安全也至关重要；
③ “黑匣子”医学仍是一个较大的挑战，CNN多个隐藏层的内部结构目前仍处于探索阶段。将AI应用于超声智能诊断甲状腺结节及预测淋巴是否转移可显著提高其诊断的效率及准确率，避免因人工判别的主观性造成误诊为患者带来不必要损伤。伴随着标准数据集的构建、CNN隐藏层的不断探索及临床对甲状腺结节良恶性准确判别需求不断增长的推动，AI在医学领域将有更加广阔的应用前景，越来越多的医师及患者将从中受益，实现临床精准医疗。
