阳建政，李陶，胡加银，程伟，杜鹏，吴林容，张滢滢

400042 重庆，陆军军医大学大坪医院 超声科

近年来，甲状腺疾病的发病率有逐年上升的趋势，这与其生物学特性及超声诊断技术的进步密不可分[1]。但受主观或客观因素影响，各中心诊断准确率有差异，基层医院诊断准确性低于三级或教学医院。计算机辅助诊断技术(computer aided diagnosis，CAD)是人工智能与现代医学研究的热点之一。相关研究表明CAD可在提高诊断准确率、减少漏诊方面起到积极作用[2-3]，已在乳腺、肺结节领域进入临床应用[4-5]，但在甲状腺疾病诊断尚处起步阶段。S-Detect是一项针对甲状腺结节的CAD技术，通过前期数据学习及算法优化，该技术可对甲状腺结节做出良性或恶性可能两种诊断，本文就S-Detect技术在甲状腺结节诊断的应用做初步探讨。

1 资料与方法

1.1 对象

选取我院2018年4月至2019年4月收治的318例甲状腺结节患者，共354个结节。纳入标准：1)拟诊为甲状腺结节，于我院进行甲状腺超声检查并取得满意图像； 2)获得甲状腺细针穿刺(fine needle aspiration, FNA)细胞学病理或手术病理至少一项结果，若细胞学病理与手术病理结果不一致时，以手术病理为最终诊断； 3)细胞学病理及手术病理结果必须是良性或恶性的肯定诊断。排除标准：1)病理诊断为不确定的病例; 2)单个切面内无法完整显示的巨大病灶。最终入组292例患者，共321个结节，最大径0.5～3.7 cm，其中男性48例，女性244例，年龄14～77岁。本研究经我院医学伦理委员会批准，所有患者均知情同意。

1.2 仪器与方法

采用Samsung RS80A超声诊断仪，线阵探头，探头频率3.0～12.0 MHz。患者取平卧位，充分暴露颈部，选择甲状腺条件，单焦点，并根据患者条件优化频率、焦点位置及增益。对甲状腺进行连续、完整扫查，发现阳性病灶后，记录其位置、形态、大小、纵横比、回声、微钙化、后方回声、彩色多普勒等信息，并扫查颈部有无肿大淋巴结。S-Detect诊断：启动S-Detect模式，在甲状腺结节二维声像图上分别采集阳性病灶的横切面及纵切面，勾选出矩形感兴趣区域，系统自动描绘出病灶边界曲线后手动调整取样框恰好包络病灶边界，再提交分析系统并将所得结果与最终病理结果对照汇总。

1.3 诊断标准

S-Detect依据内置算法将二维超声图像分类为良性或恶性可能的诊断，并可导出病灶的成份、回声强度、方向、边缘、海绵状、形状等参数，输出结果如图1所示。

1.4 病理活检

所有甲状腺结节均由FNA或手术取得病理结果。FNA采用超声引导下活检(图2)并涂片，固定于95%酒精后得到细胞学诊断。经由外科切除的甲状腺结节，获得石蜡切片后得到组织学诊断(图3、4)。将最终诊断结果分为良性、恶性两类。

1.5 统计学分析

采用SPSS 19.0软件进行数据分析，分别以细胞学病理及组织学病理为金标准，计算S-Detect在甲状腺结节横切面及纵切面诊断符合率、特异性、敏感性、阳性预测值、阴性预测值。使用Kappa检验对不同切面S-Detect诊断与病理诊断的一致性，其中Kappa值：0～0.2为极低一致性，接受差；0.2～0.4为一般一致性，可接受；0.4～0.6为中度一致性；0.6～0.8为高度一致性；0.8～1.0为几乎完全一致。

2 结 果

2.1 病理结果

292例患者共321个结节，其中良性病灶104个(104/321，32.4%)，恶性病灶217个(217/321，67.6%)(表1)。

表1 321个甲状腺结节一般资料

2.2 S-Detect与病理诊断比较

321个结节中，细胞学病理诊断245例，组织学病理诊断76例。不同标准切面与病理诊断结果如表2所示，其中S-Detect(横切面)与细胞学病理结果对比诊断符合率61.22%(150/245)，S-Detect(纵切面)与细胞学病理结果对比诊断符合率66.12%(162/245)；S-Detect(横切面)与组织病理结果对比诊断符合率69.74%(53/76)，S-Detect(纵切面)与组织病理对比诊断符合率77.63%(59/76)。

2.3 S-Detect诊断效价

以细胞学病理为金标准，S-Detect技术横切面及纵切面的敏感性、特异性、阳性预测值、阴性预测值分别为68.39%、48.89%、69.74%、47.31%及74.19%、52.22%、72.78%、54.02%；以组织学病理为金标准，S-Detect技术横切面及纵切面诊断的敏感性、特异性、阳性预测值、阴性预测值分别为74.19%、50.00%、86.79%、30.43%及83.87%、50.00%、88.14%、41.18%(表3)。

表2 不同S-Detect标准切面诊断结果

表3 不同病理采纳标准的 S-Detect诊断效价总览

3 讨 论

3.1 甲状腺结节CAD应用背景及临床意义

甲状腺结节是内分泌系统最常见的疾病之一[6]，超声为筛查该疾病的首选影像手段，使用后可将结节发现率由触诊的3%～7%显著提高至20%～76%。良恶性结节鉴别诊断主要在于灰阶超声，微钙化、边缘不规则、纵横比>1对于乳头状癌有较高的诊断特异性[7-9]。甲状腺CAD是使用人工智能对甲状腺结节进行诊断的一种新技术，主要分为建立算法、输入数据、输出结果三步。计算机首先经过前期数据训练，建立疾病诊断的算法，医生再将待诊断甲状腺影像输入计算机，计算机把非结构化数据的甲状腺影像通过图像降维、标签化等计算过程最终输出为成份、方向、形状、回声强度、海绵状、边缘、钙化以及良恶性诊断等结构化数据。由于甲状腺结节超声影像易获得，图像质控难度小，因此用于辅助初级医生诊断可缩短学习曲线，减少误诊，提高诊断准确率。目前获批应用于肺结节、乳腺结节等疾病的CAD技术软件多数需要额外购置，一定程度上限制了基层推广。S-Detect技术属设备一体化配置，无需额外购置，并可通过互联网进行更新及会诊，利于提升基层医院诊断水平。甲状腺结节CAD另一优点在于减轻超声医师劳动负荷、优化检查流程、提高工作效率。一项国外超声技师调查显示，超过93%技师当时患有或者从事超声检查工作后患有与工作相关的肌骨疾病[10]，我国超声医师工作方式集检查-诊断于一体，既要完成技师的采图工作，又要完成医生的诊断工作，在劳动强度大、缺乏分层诊疗、质量与数量矛盾[11]的背景下，引入CAD进行减负具有积极意义。

3.2 甲状腺结节CAD技术的诊断特点

本组数据有以下特点：1)采用不同标准切面时,S-Detect诊断符合率有差异，无论使用细胞学病理或手术病理作为金标准，纵切面诊断效价均高于横切面。推测可能与前期算法训练未进行横纵切面分类有关，计算机收录纵切面数据质量及数量高于横切面数据，导致不同标准切面存在诊断差异，因此后续改进算法还应当加入纵横切面分类的属性;2)分别采用细胞学病理及组织学病理作为金标准进行对比，组织学病理S-Detect的诊断符合率优于细胞学病理。其原因与FNA病理存在假阴性而组织病理假阴性概率极低有关，虽然本组数据入组条件中排除掉了病理诊断不明确结节33例(主要为甲状腺细胞病理学Bethesda分类中I、III、IV类无法诊断的病变，其中III、IV类分别对应非典型病变或滤泡性病变、滤泡性肿瘤或可疑滤泡性肿瘤)，按照既往文献报道的6%～18%假阴性率推算，仍有部分假阴性病例未被完全排除，因而导致S-Detect诊断差异;3)本组病例的诊断符合率61.22%～77.63%，横切面Kappa值均低于0.2，一致性较差。纵切面Kappa值为0.27、0.31，其一致性一般，但可接受，诊断效率属中游水平，与以往文献报道甲状腺S-Detect诊断符合率类似[12];4)S-Detect技术应用甲状腺结节诊断其阴性预测值较低(30.43%～54.02%)，可能是甲状腺良性结节影像特征离散度大,其回声强度、形态、内部成分等二维超声特征与恶性结节相互重叠，现有计算力不足所致。继续改进算法，增加阴性病例学习数量或可改善诊断效率;5)与乳腺S-Detect诊断效能比较，甲状腺S-Detect诊断效能低于乳腺S-Detect，文献报道其诊断乳腺疾病的特异性、敏感性及诊断准确率77%～95%不等[13-14]，推测主要原因是两种疾病良恶性病变影像之间差异较大。除此之外，操作者在甲状腺结节采集、分析、检验过程的标准化及质控不足也可能影响最终诊断。

3.3 甲状腺结节CAD技术的不足及建议

S-Detect甲状腺结节诊断可为临床决策提供更多信息，但我们在应用过程中也发现存在部分问题。特征提取方面,感兴趣区边缘轮廓自动提取技术识别准度较低，病灶几何边缘需多次手动调整。图像及纹理特征方面，回声强度、纵横比识别度与医生诊断相近，但形状、成份、边缘等其他二维参数与医生诊断存在明显不一致,这些分歧可干扰初级医生的判断而影响最终诊断。预测结果方面,目前S-Detect技术与病理诊断一致性一般，且只提供良性可能和恶性可能的诊断方向，没有进行TI-RADS分类，不利于现有临床管理模式及循证研究。检查技术标准化方面,目前缺乏相关操作规范，选择何种探头频率，图像增益及深度、感兴趣区是否放大、后期影像加工及裁剪尺度尚无统一标准，有待完善CAD操作指南及加强规范化操作培训。数据源方面,目前CAD数据源仅以灰阶声像图为主，对超声造影、弹性成像、光声成像等多模态影像数据[15]研究较少。可解释性方面,CAD诊断过程的学习和预测过程不透明，输出结果的可解释性不足，存在“知其然但不知其所以然”的人工智能共性现象[16-17]。此外，数据安全、伦理道德及法律法规方面亦存在模糊地带[18-20]，在CAD技术进入临床应用之前有待充分评估。

3.4 发展与展望

目前人工智能飞速发展，CAD技术的不断优化，其在医学影像领域有较为广阔的应用空间，现阶段也存在较多问题亟需解决，盲目推崇不成熟的技术同样会带来不良后果。只有将医疗、计算机、法律等专业人才充分联合并发挥各专业优势，管控相关风险，才能更好服务临床并造福患者。

作者声明：本文全部作者对于研究和撰写的论文出现的不端行为承担相应责任；并承诺论文中涉及的原始图片、数据资料等已按照有关规定保存，可接受核查。

学术不端：本文在初审、返修及出版前均通过中国知网(CNKI)科技期刊学术不端文献检测系统的学术不端检测。

同行评议：经同行专家双盲外审，达到刊发要求。

利益冲突：所有作者均声明不存在利益冲突。

文章版权：本文出版前已与全体作者签署了论文授权书等协议。