1. 首頁 > 生活雜燴 > 健康養生 > >

智能AI——助力甲狀腺結節的精準分類


智能AI——助力甲狀腺結節的精準分類
文章圖片
來源：蝴蝶書院
引言
近日 ， 在第44屆歐洲甲狀腺協會年會（ETA2021）上 ， 來自意大利翁貝托一世綜合醫院轉化與精準醫學系的GiorgioGrani博士帶來主題為“甲狀腺結節分類的知識驅動機器學習方法”的精彩演講 。
智能AI——助力甲狀腺結節的精準分類
文章圖片
甲狀腺結節超聲診斷尚存未滿足的需求
【智能AI——助力甲狀腺結節的精準分類】甲狀腺結節是常見的甲狀腺疾病之一 。 目前 ， 影像學檢查在甲狀腺結節的鑒別診斷中的作用愈發重要 。 超聲檢查是診斷和鑒別甲狀腺結節最常用的方法 ， 該方法安全、方便、無創 ， 與計算機斷層掃描（CT）和磁共振成像（MRI）等技術相比 ， 其能夠更好地區分甲狀腺結節的良惡性 ， 從而促進早期診斷和患者的治療選擇 。 超聲引導下細針穿刺細胞學檢查(FNA)可以進一步明確甲狀腺結節的性質 ， 而患者是否需要進行穿刺活檢主要是結合甲狀腺結節的大小和超聲表現來評估 ， 患者的細胞學報告通常由其他輔助技術完成；此外 ， 國內外指南一致建議盡量減少不必要的甲狀腺手術 。
GiorgioGrani博士談到 ， 甲狀腺結節的超聲診斷尚存一些未被滿足的需求 。 PersichettiA等人的一項研究表明 ， 在評估甲狀腺結節的超聲特征方面 ， 采用美國報告和分類系統的觀察者內的可重復性高 ， 但是不同中心之間的觀察者間的一致性低于單中心試驗評估的結果 ， 并且美國觀察者在甲狀腺結節的報告和評估能力方面的表現也不一致 。 研究者認為 ， 甲狀腺超聲特征的統一描述、簡化分類方法以及專門開展甲狀腺超聲結果描述的培訓可能會增加觀察者的認同度和美國分類系統在現實世界實踐中的預測價值 。 GiorgioGrani博士所在團隊的一項研究發現 ， 國際上認可的超聲風險分層系統在減少不必要的甲狀腺結節FNA數量方面存在很大差異 。 美國放射學會(ACR)甲狀腺結節超聲分級（TIRADS）的表現優于其他方法 ， 假陰性率(FNR)僅為2.2% 。 其團隊的另一項研究表明 ， 濾泡性甲狀腺癌不易鑒別 ， 僅憑借超聲檢查常難以診斷 。
為了充分發揮超聲圖像的優勢 ， 業內學者將計算機輔助診斷（CAD）系統與超聲技術相結合 ， 以進一步幫助臨床醫師更加精準地診斷甲狀腺結節 。 CAD診斷系統通常遵循既定的階段 ， 包括圖像預處理(如噪聲去除、圖像重建)、感興趣區域特征提取以及圖像分類 。 近幾年由于機器學習的快速發展 ， 研究大多放在甲狀腺結節的分類上 。
機器學習——助力甲狀腺結節鑒別診斷
GiorgioGrani博士在會上重點介紹了其所在團隊的一項最新研究 ， 該研究旨在開發一款新的端到端知識驅動的甲狀腺結節分類框架（重點集中在甲狀腺超聲檢查方面） ， 使之成為能夠助力臨床的CAD系統 。
研究者回顧性收集了230名經組織學或細胞學診斷的甲狀腺結節患者的數據 ， 數據由678張通過DICOM格式存儲的未標記灰度超聲圖像組成 ， 并裁剪為440×440大小 ， 以保留甲狀腺 。 此外 ， 每個圖像都有一個相關的TI-RADS分類 ， 以區分結節的良惡性 。
學習過程
如圖1所示 ， 通過專家咨詢（EC）提出的知識驅動學習（KDL）框架可以分為三個部分:
（1）數據增強和多模態特征融合階段 ， 其中生成細致豐富的結節圖像;
（2）一個EC模塊 ， 基于集成疊加技術 ， 其中預訓練的深度神經網絡經過精細調整;
（3）KDL單元 ， ECCUE在其訓練期間最有可能被用來指導獨立的卷積網絡 。
智能AI——助力甲狀腺結節的精準分類