超声人工智能联合TI-RADS 分类在甲状腺结节鉴别诊断中的辅助价值

王洪杰，于 霞，张恩东，马立勇，汤华晓

（1.山东省威海市妇幼保健院a 医疗设备科，b 超声二科，c 耳鼻喉头颈外科，d 病理科，山东 威海 264200；2.哈尔滨工业大学检测与控制研究中心，山东 威海 264200）

甲状腺结节是内分泌系统最常见的疾病，超声凭借动态实时、无辐射、价格低廉等优势，已成为其首选影像学方法［1］。2017 年美国放射学会发布的甲状腺影像与报告系统（thyroid imaging reporting and data system，TI-RADS）分类为评估甲状腺结节的良恶性提供了参考依据。TI-RADS 3～5 类结节恶性风险较高（5%～80%），是临床关注的重点［2］。超声医师判定二维灰阶超声图像时，易受环境、图像质量、经验不足等因素影响。近年来，较多研究［3-5］证实人工智能可通过卷积神经网络对超声甲状腺结节图像进行特征提取、训练、建模，客观定量分析图像特征，具有良好的应用前景。本研究旨在评价超声人工智能联合TI-RADS 分类在甲状腺结节良恶性鉴别诊断中的辅助价值。

1 资料与方法

1.1 一般资料 选取2017 年1 月至2019 年1 月山东省威海市妇幼保健院收治的行甲状腺手术患者860 例（共920 个结节），均经术后病理证实，其中男196 例，女664 例；年龄21～83 岁，平均（48.5±9.6）岁。920 个结节病灶中，良性结节590 个，其中结节性甲状腺肿410 个，腺瘤74 个，甲状腺炎41 个及囊性变65 个；恶性结节330 个，其中乳头状癌310 个，甲状腺微小乳头状癌12 个，混合髓样-乳头状癌1个，乳头状癌伴鳞癌2 个，滤泡状腺癌3 个，髓样癌2个。结节直径0.5～5.9 cm，平均（1.5±0.7）cm；位于甲状腺左叶483 个，右叶432 个，峡部5 个。

1.2 仪器与方法 采用Philips IU Elite 超声诊断仪，线阵探头L12-5，频率5～12 MHz。患者取仰卧位，充分暴露颈部，观察记录病灶的形态、大小、边界、部位、纵横比、内部、回声、钙化及血供情况等。选择结节图像最清楚、纵向扫查最长轴切面，将探头尽量轻触甲状腺处皮肤，待图像稳定后，采集保存。将采集到的图像利用深度学习提取特征，后输入RPN网络以生成候选框，并对候选框进行前景、背景二分类粗调。再将候选框映射到共享卷积特征图上，送入ROI 层进行归一化处理，由全连接层进行分类和再次边框回归，得到诊断结果。

超声医师根据常规超声图像对甲状腺结节进行初步的TI-RADS 分类，后联合人工智能对每个结节再次进行TI-RADS 分类，诊断结果不一致时，由该医师与另一名医师讨论达成一致。

1.3 统计学方法 采用SPSS 19.0 软件进行数据分析。计量资料以±s 表示，行t 检验；计数资料以例（%）表示，行Pearson χ2检验，等级资料行秩和检验。以病理诊断为金标准，计算超声人工智能、TI-RADS分类及联合诊断评估甲状腺结节良恶性的准确率、敏感度、特异度，并绘制ROC 曲线，采用Delong 检验比较不同方法的AUC。以P＜0.05 为差异有统计学意义。

2 结果

2.1 甲状腺良恶性结节二维超声图像特征比较（表1） 甲状腺良恶性结节二维超声图像特征（边界、形态、内部回声、后方回声衰减、环状血流、钙化、纵横比、血流信号分级）比较，差异均有统计学意义（均P＜0.05）。

表1 甲状腺结节良恶性的二维超声图像特征比较 例（%）

2.2 超声人工智能、TI-RADS 分类及联合诊断甲状腺良恶性结节的效能比较（表2） 超声人工智能、TI-RADS 分类及联合诊断甲状腺恶性结节的ROC曲线见图1，AUC 分别为0.783（0.750，0.815）、0.792（0.761，0.823）及0.853（0.826，0.880），人工智能与TI-RADS 分类间AUC 差异无统计学意义（Z=1.465，P=0.143）；联合检查AUC 显著高于人工智能、TI-RADS分类（Z=7.631，7.462；均P＜0.001）。

3 讨论

超声检查因安全、廉价、简单、无辐射等优点被广泛应用于甲状腺结节良恶性的诊断，具有重要价值［6］。目前，国内外具有代表性的甲状腺结节超声分类及管理指南至少有10 个以上［7-11］，甲状腺结节的分类方法不同，对应的恶性风险程度也不同，管理建议也不一致。国内常用2017 年美国放射协会发布的TI-RADS 分类，通过描述甲状腺结节的超声特征，评估结节的恶性风险程度，为临床提供诊断依据，并决定结节是否行手术及随访间隔［2］，但因医师资历不同，对甲状腺超声检查、测量方法及图像判读能力存在差异，造成结果偏差，导致漏诊、误诊。

人工智能在医学影像领域飞速发展，其可量化影像学特征，自动客观地分析图像，帮助医师提高诊断效率及准确率［13-18］。人工智能与超声检查相结合能提高甲状腺超声检查的质量，减少漏诊、误诊。该技术与TI-RADS 分类相比，受医师的主观因素影响较少，对甲状腺结节的评估更客观，且评估时间短、方便快捷，对鉴别甲状腺结节良恶性有较高的敏感度与特异度，尤其适用于经验较少的基层医院医师和初级医师。但结节直径小于10 mm 时其诊断效能不如超声，因超声医师对甲状腺的检查为连续扫描、动态观察，人工智能仅对单帧切面进行评价，有一定的局限性。

表2 人工智能、TI-RADS 及联合检查诊断甲状腺良恶性结节的效能比较

图1 超声人工智能、甲状腺影像与报告系统（TI-RADS）分类及联合诊断甲状腺恶性结节的ROC 曲线

TI-RADS 4a 及以上分类的结节需行病理活检或手术切除，而4a 类（恶性5%～10%）病理结果多为甲状腺肿，导致部分患者不必要的活检与手术。本研究将超声人工智能、TI-RADS 分类及联合诊断结果与术后病理结果比较，发现联合诊断结果与术后病理的诊断一致性最高（K=0.596，P＜0.05）。联合诊断的准确率、特异度及敏感度较高，可减少患者不必要的活检与手术。联合诊断可结合TI-RADS 分类与人工智能的优点，更准确地判断甲状腺结节的性质，提高诊断准确率。本研究为回顾性研究，恶性结节占比较高，还应增加良性结节的数量与病理类型进一步研究。

综上所述，人工智能与TI-RADS 分类在甲状腺结节性质评估方面具有一定的初筛价值，两者联合诊断能够更有效地判定甲状腺结节的良恶性。