叶冯颖 李尚青 苏淇琛 游剑虹 王康健 蔡名利 吕国荣

随着人工智能的发展，计算机辅助诊断（computer-aided diagnosis，CAD）系统逐渐在医学领域崭露头角。目前关于甲状腺CAD 的研究主要集中在CAD 系统与超声医师诊断效能的对比，均仅采用CAD 给出的8 种指南中的一种，对指南的选取存在主观性。本研究在多中心、大数据的基础上，探讨CAD 系统基于不同指南鉴别诊断甲状腺良恶性结节的价值，以期指导临床医师针对不同的临床需求采纳不同指南结果。

资料与方法

一、临床资料

多中心、前瞻性分析2019年1～9月在福建医科大学附属第二医院、厦门大学附属中山医院、漳州市医院、晋江市医院接受甲状腺超声检查，并行甲状腺结节细针穿刺或手术的患者453例（共521个甲状腺结节），男92例，女361例，年龄12～77岁，平均（44.8±12.3）岁；手术治疗结节303 个，细针穿刺结节218 个；良性结节255 个，其中结节性甲状腺肿198 个、甲状腺腺瘤47 个、炎症10 个；恶性结节266 个，其中甲状腺乳头状癌254 个、滤泡癌12个。纳入标准：①所有结节均经手术病理或超声引导下细针穿刺活检证实；②结节术前或穿刺前均行超声检查；③结节具有以dicom 或bmp 格式保存的至少一张标准横切面图像；④图像为灰阶图像，无易被系统误判为钙化的测量点、线。排除标准：①结节病理结果不确定者；②结节图像不清晰者。本研究经我院医学伦理委员会批准，所有患者均签署知情同意书。

二、仪器与方法

1.仪器：使用Supersonic Imagine Aixplorer、迈瑞DC 8 彩色多普勒超声诊断仪，线阵探头，频率7.5～12.0 MHz。CAD软件为安克生医股份有限公司研发的安克侦（AmCAD-UT Detection）。

2.图像分析方法：每个结节选取一张标准横切面图像，在屏蔽所有临床信息的情况下，由同一位具有15年工作经验的超声医师操作CAD 软件进行图像分析。具体如下：在CAD 系统中导入结节图像，若为dicom 图像，系统可自动定标长度，若为bmp图像需手动画出1 cm 长度进行定标，在结节上标出最长径及与之垂直的短径后，CAD 系统自动识别结节边缘，生成包绕病灶的感兴趣区，点击生成报告，获得结节声学特征图文报告及基于8 个指南的恶性风险评估结果（图1），包括：2017年美国放射学会发布的《甲状腺结节影像报告和数据系统（TIRADS）》［1］（以下简称ACR 指南）；2015 年美国甲状腺协会发布的《以下成人甲状腺结节和分化型甲状腺癌的管理指南》［2］（以下简称ATA 指南）；2016 年美国临床内分泌医师学会发布的《甲状腺结节的诊断和管理指南》［3］（以下简称AACE 指南）；2016 年韩国甲状腺放射学会发布的《共识建议：甲状腺结节超声诊断和成像管理》［4］（以下简称KSThR 共识）；2014 年英国甲状腺协会发布的《甲状腺癌管理指南》［5］（以下简称BTA 指南）；2011 年Kwak 等［6］提出的韩国版TI-RADS 指南（以下简称Kwak指南）；2015 年Seo 等［7］提出的韩国版TI-RADS 指南（以下简称Seo 指南）；2016 年Russ［8］提出的法国版TI-RADS 指南（以下简称Russ指南）。

图1 同一甲状腺乳头状癌CAD系统分析流程图

三、统计学处理

应用MedCalc 15.2.2 统计软件，以病理结果为金标准，绘制受试者工作特征（ROC）曲线，计算曲线下面积（AUC），根据约登指数确定截断值，并计算其诊断效能。CAD 系统基于不同指南诊断甲状腺恶性结节的AUC 比较行Z 检验，敏感性、特异性比较行McNemar检验。P<0.05为差异有统计学意义。

结 果

以病理结果为金标准，CAD 系统基于8 种指南对甲状腺良恶性结果的诊断效能见表1。以2 分为截断值，KSThR 共识诊断甲状腺恶性结节的敏感性90.60%，阴性预测值84.1%，均高于其他指南（均P<0.01）。以分类4 类为截断值，BTA 指南诊断甲状腺恶性结节的特异性79.95%，阳性预测值70.9%，均高于其他指南（均P<0.01）。KSThR 共识诊断甲状腺恶性结节的AUC为0.759，高于其他指南的AUC（Z=3.711、5.325、5.506、2.842、2.826、3.851、2.577，均P<0.01）。见图2。

表1 CAD系统基于不同指南对甲状腺恶性结节的诊断效能

图2 CAD系统基于不同指南诊断甲状腺恶性结节的ROC曲线图

讨 论

研究［9］表明，甲状腺肿瘤发病率居所有内分泌肿瘤的首位，且呈逐年上升趋势。诊断甲状腺癌的影像学检查方法主要包括超声、CT 及核医学，超声因具有实时、动态、无辐射等优点，已成为临床检查甲状腺的首选方法，但仍存在许多问题，如超声诊断主观性强、具有操作者依赖性、超声医师培养周期长及缺乏高水平医师等，一定程度上影响了甲状腺超声诊断的客观性和准确性。因此，如何准确鉴别甲状腺结节良恶性，避免过度诊疗，减轻患者负担和痛苦成了新的挑战。甲状腺CAD系统基于人工智能技术对大量甲状腺结节图像进行深度识别与学习，能够提取甲状腺结节的图像特征并量化分析，对基于8种常见的国际指南做出相应判断，具有客观、准确及全面的优点。本研究通过分析CAD 系统基于不同指南对甲状腺良恶性结节的诊断效能，以期指导临床应用。

本研究结果表明，CAD 系统基于不同指南诊断甲状腺恶性结节的敏感性均较高，特异性均较低，与既往研究［10］结果一致。分析敏感性高的原因为：①CAD 系统可对甲状腺恶性结节的声学特征进行量化分析，从而准确判断结节的恶性风险，相较于肉眼识别具有更高的敏感性；②CAD 系统的判断是经过大量甲状腺结节图像数据库学习后的成果，弥补了操作者经验不足的劣势，可得出较为准确的判断。分析特异性低的原因为：①CAD 系统易将无回声结节判断为低回声或极低回声结节；②CAD 系统易将良性征象“彗星尾征”判断为提示恶性的点状强回声；③CAD 系统对图像的分析局限于一张静态的标准横切面图像，无法动态扫查结节以进行综合评估。

本研究结果发现，CAD 系统在使用8 种指南进行甲状腺结节良恶性判断时均有较好的诊断效能，其中KSThR 共识AUC、敏感性及阴性预测值最高，BTA 指南特异性和阳性预测值最高。临床应用时可根据不同需求采纳不同指南，若着重提高筛查恶性结节的敏感性，建议使用CAD 基于KSThR 共识得出的结果；若着重避免过度诊疗，减少不必要的活检或手术，建议使用CAD基于BTA指南得出的结果。

甲状腺CAD 系统作为一种新兴技术，尚处于起步阶段，存在一定不足，如无法动态扫查分析、无法分析结节血流、硬度，以及无法结合症状、体征分析等，而影像医师可以对上述不足进行弥补，因此，临床实际应用中仍应以医师为主，机器为辅，扬长避短，更好地发挥CAD系统的作用。

综上所述，CAD 系统对甲状腺良恶性结节的鉴别诊断有较好价值，采用不同指南或共识时，其诊断效能也不同，KSThR 共识的AUC和敏感性最高，BTA指南的特异性最高。