智能AI助力甲状腺结节的精准分类 | ETA2021

来源：蝴蝶书院

导读：近日，在第44届欧洲甲状腺协会年会（ETA2021）上，来自意大利翁贝托一世综合医院转化与精准医学系的Giorgio Grani博士带来主题为“甲状腺结节分类的知识驱动机器学习方法”的精彩演讲。

甲状腺结节超声诊断尚存未满足的需求

甲状腺结节是常见的甲状腺疾病之一。目前，影像学检查在甲状腺结节的鉴别诊断中的作用愈发重要。超声检查是诊断和鉴别甲状腺结节最常用的方法，该方法安全、方便、无创，与计算机断层扫描（CT）和磁共振成像（MRI）等技术相比，其能够更好地区分甲状腺结节的良恶性，从而促进早期诊断和患者的治疗选择。超声引导下细针穿刺细胞学检查(FNA)可以进一步明确甲状腺结节的性质，而患者是否需要进行穿刺活检主要是结合甲状腺结节的大小和超声表现来评估，患者的细胞学报告通常由其他辅助技术完成；此外，国内外指南一致建议尽量减少不必要的甲状腺手术。

Giorgio Grani博士谈到，甲状腺结节的超声诊断尚存一些未被满足的需求。Persichetti A 等人的一项研究表明，在评估甲状腺结节的超声特征方面，采用美国报告和分类系统的观察者内的可重复性高，但是不同中心之间的观察者间的一致性低于单中心试验评估的结果，并且美国观察者在甲状腺结节的报告和评估能力方面的表现也不一致。研究者认为，甲状腺超声特征的统一描述、简化分类方法以及专门开展甲状腺超声结果描述的培训可能会增加观察者的认同度和美国分类系统在现实世界实践中的预测价值。Giorgio Grani博士所在团队的一项研究发现，国际上认可的超声风险分层系统在减少不必要的甲状腺结节 FNA 数量方面存在很大差异。美国放射学会 (ACR)甲状腺结节超声分级（TIRADS ）的表现优于其他方法，假阴性率 (FNR)仅为2.2%。其团队的另一项研究表明，滤泡性甲状腺癌不易鉴别，仅凭借超声检查常难以诊断。

为了充分发挥超声图像的优势，业内学者将计算机辅助诊断（CAD）系统与超声技术相结合，以进一步帮助临床医师更加精准地诊断甲状腺结节。CAD诊断系统通常遵循既定的阶段，包括图像预处理(如噪声去除、图像重建)、感兴趣区域特征提取以及图像分类。近几年由于机器学习的快速发展，研究大多放在甲状腺结节的分类上。

机器学习——助力甲状腺结节鉴别诊断

Giorgio Grani博士在会上重点介绍了其所在团队的一项最新研究，该研究旨在开发一款新的端到端知识驱动的甲状腺结节分类框架（重点集中在甲状腺超声检查方面），使之成为能够助力临床的CAD系统。

研究者回顾性收集了230名经组织学或细胞学诊断的甲状腺结节患者的数据，数据由678张通过DICOM格式存储的未标记灰度超声图像组成，并裁剪为440×440大小，以保留甲状腺。此外，每个图像都有一个相关的TI-RADS分类，以区分结节的良恶性。

学习过程

如图1所示，通过专家咨询（EC）提出的知识驱动学习（KDL）框架可以分为三个部分:

（1）数据增强和多模态特征融合阶段，其中生成细致丰富的结节图像;

（2）一个EC模块，基于集成叠加技术，其中预训练的深度神经网络经过精细调整;

（3）KDL单元，ECCUE在其训练期间最有可能被用来指导独立的卷积网络。

图1：通过EC框架架构的KDL

数据增强

研究者通过对每个甲状腺结节应用BPandDWT算法来实现数据增强，一种原始多模态特征融合图像，则是通过沿通道轴将图像及其对应的LBD和DWG进行处理而获得（图2）。

图2：数据增强示例 （a）原始超声图像 ,（b）和（c）分别显示通过LBP和DWT分析的相同结节

定性评估

为了进一步分析总结KDL-EC模型，研究者还使用EGRAD cam算法对Aqualitative测试进行了操作，该算法为网络决策提供了可视化规划。此定性评估的输入样本、标记版本以及结果如图3所示。

图3：KDL-EC-7 DenseNet的梯度-凸轮定性研究比较:，上排为良性结节，中下排为恶性结节

诊断性能

如表1所示，KDL-EC模型诊断甲状腺结节准确度高达95.11%，灵敏度高达96.22%，特异性为93.09%；提示KDL-EC模型用于甲状腺结节的诊断是可行的（表1）。

表1：最先进的方法性能比较

Giorgio Grani博士谈到，机器学习尚存一些问题有待未来深入研究。在技术方面，不同的设备和探针可能产生不同的数据格式。在临床方面，数据集可能存在不充分或者缺失的情况；有些数据虽然被医生含蓄地考虑，但并没有包括在数据集中，这也可能对机器学习模型的性能产生负面影响。另一个问题涉及机器学习算法的性质，这些算法通常被称为“黑匣子”，存在虚假相关性的风险。

最后，Giorgio Grani博士总结道，研究表明新开发的KDL-EC模型的性能至少可以与其他目前最先进的方法相媲美，其对甲状腺结节的良恶性具有良好的识别功能，且无需人工分割或兴趣区域选择。未来，还需进行独立队列和组织学为金标准的队列的验证，并探索其在丰富的髓质和滤泡型甲状腺癌中的诊断性能，以及尝试在“特征再融合步骤”中使用弹性图像、对比度增强超声和多普勒图像。