李 潜，刘春丽，郭兰伟，韦雅楠，丁思悦

1)郑州大学附属肿瘤医院(河南省肿瘤医院)超声科 郑州 450008 2)郑州大学附属肿瘤医院(河南省肿瘤医院)肿瘤防治办公室 郑州 450008

甲状腺癌的发病率呈逐年增加的趋势[1]；超声作为甲状腺检查的主要方法[2]，在甲状腺结节良恶性的鉴别诊断中发挥重要作用，但其鉴别能力和超声医师的经验密切相关[3]，不同检查者间的诊断存在一定的差异。随着人工智能技术的发展，其在超声辅助诊断中的应用价值逐渐凸显[4]。本研究对基于深度学习的超声人工智能辅助诊断(S-Detect)技术在甲状腺结节良恶性鉴别诊断中的临床应用价值进行了评估。

1 对象与方法

1.1研究对象选取2019年10月至2020年5月在河南省肿瘤医院诊治并有明确病理结果的甲状腺结节患者183例，其中女126例，男57例，年龄21～67岁，结节最大直径0.5～3.0 cm。183例患者均有手术病理结果或穿刺活检联合Braf基因检测结果，穿刺结果阴性及基因突变阴性诊断为良性结节。所有病例均行超声检查及S-Detect技术诊断。排除标准：超声评估前患者进行过穿刺活检或手术。

1.2检查仪器与方法使用三星RS80A超声诊断仪，L3-12A线阵探头，频率3～12 MHz，配备S-Detect分析软件。患者取仰卧位，充分暴露颈部，由经过规范操作培训的医师行甲状腺常规超声检查，重点观察结节的成分、回声、纵横比、形状、边缘等情况，选取能反映病变特征的切面进行图像储存，然后使用S-Detect技术对图像进行分析，系统自动给出“可能良性”或“可能恶性”的诊断，对病灶的成分、回声、纵横比、形状、边缘等超声声像图特征分别评估。若多次判断结果不一致，以提示可能恶性的结果为准。

1.3图像分析图像分析分为两个部分。第一部分由2名从事甲状腺超声诊断8 a以上的医师组成高年资医师组，2名入职3 a内的住院医师组成低年资医师组，在不知道S-Detect结果的情况下通过超声图像对结节进行良恶性诊断，诊断结果不一致时经过讨论得出统一的诊断。第二部分由2组医师共同对超声声像图特征进行分析，就结节的成分、回声、纵横比值、形状、边缘等情况分别进行判断并记录，判断S-Detect技术与超声医师诊断的一致性。判断标准：按照ACR TI-RADS诊断描述[5]，将囊性或几乎囊性、海绵状、囊实混合性视为良性指征(-)，将实性或几乎完全实性视为可疑恶性指征(+)；将无回声、等回声或高回声视为良性指征(-)，将低回声或极低回声视为可疑恶性指征(+)；将平行方位或纵横比<1视为良性指征(-)，将不平行或纵横比>1视为可疑恶性指征(+)；将形状规则、圆形或卵圆形视为良性指征(-)，将形状不规则视为可疑恶性指征(+)；将边缘明确光滑或模糊视为良性指征(-)，将边缘分叶、成角视为可疑恶性指征(+)。

1.4统计学处理采用SPSS 20.0 和SAS 9.4进行数据分析，应用Kappa检验分析超声医师与S-Detect技术诊断结果的一致性。检验水准α=0.05。

2 结果

2.1病理结果183例中恶性病灶115个，包括乳头状癌106个、滤泡癌4个、髓样癌2个、未分化癌3个；良性病灶68个，包括结节性甲状腺肿52个、甲状腺腺瘤9个、桥本甲状腺炎7个。

2.2超声医师与S-Detect技术诊断结果的比较详见表1。

表1 183例甲状腺结节超声医师与S-Detect诊断结果

2.3超声医师与S-Detect对甲状腺结节超声声像图特征的评估结果见表2。在评估的5个超声声像图特征中，结节成分、回声及纵横比3个指标超声医师与S-Detect诊断的一致性较好，结节形状及边缘2个指标超声医师与S-Detect诊断的一致性较差。

表2 183例甲状腺结节超声特征的S-Detect与超声医师判断结果

3 讨论

甲状腺结节作为临床常见疾病，其超声声像图特征具有复杂性和多样性，单独依靠某一特征对甲状腺结节进行良恶性诊断并不可靠[6]。2017年，由美国放射学会(ACR)制定了甲状腺TI-RADS诊断标准[5]，根据甲状腺结节的超声声像图特征，从结节的成分、回声、纵横比、形状及边缘等方面综合评估，按其恶性风险程度分为不同级别，为临床治疗提供了相对客观的诊断依据[7]。Li等[8]研究显示ACR TI-RADS对甲状腺结节危险分层具有良好的敏感性和中度特异性，冯宁霞等[9]研究认为ACR TI-RADS具有良好的风险预测及诊断价值。但由于超声检查的实时性和独立性，其诊断结果容易受到超声医师主观因素的影响[10]，且不同医师对结节的超声征象判读方面存在差异[11]，从而影响了TI-RADS分类诊断的一致性。本研究显示高年资超声医师组和低年资医师组对甲状腺结节良恶性诊断的准确率分别为90.16%及75.41%，二者的差异较大。

随着人工智能技术的快速发展，以人工智能大数据、深度学习为基础的医学影像诊断技术越来越多的应用于临床研究[12-13]。本研究使用的S-Detect技术是利用计算机系统通过卷积神经网络对大量具有组织学病理结果的超声图像进行深度学习、训练而开发的一款人工智能辅助诊断软件，可以对甲状腺结节进行良恶性鉴别诊断，结果显示S-Detect技术对本组数据诊断的敏感性、特异性、准确率分别为89.57%、72.06%、83.06%，说明其诊断的敏感性、特异性和准确性虽然不如高年资医师，但已经高于有初步诊断经验的低年资医师，提示使用S-Detect技术辅助诊断将有助于提高低年资医师诊断的准确性。

超声特征作为超声诊断的基础，在甲状腺结节良恶性鉴别诊断中有着重要价值，刘昱含等[14]认为通过对超声特征的准确判断，可以提高超声诊断的准确性。本研究从结节的成分、回声、纵横比、形状和边缘五个方面，将S-Detect分析结果与超声医师诊断结果进行对比，分析二者对不同超声特征诊断的差别。结果显示在成分、回声和纵横比值这三项指标中，S-Detect技术和超声医师的诊断一致性较好；但仍有部分结节二者的诊断并不一致，特别是在结节的回声特征方面，诊断不一致的病例最多，其中有5例不均匀的低回声结节被S-Detect诊断为等回声和高回声，还有4例囊性结节被S-Detect诊断为低回声，究其原因，除了由于S-Detect技术和超声医师对图像灰阶分辨能力的差异外，图像质量不佳和超声伪像也是导致S-Detect误判的重要因素。而在结节形状和边缘两项指标中，人工智能技术和超声医师的诊断一致性较差， S-Detect对部分结节形状和边缘的识别出现明显的错误，导致了部分形状规则、边缘清晰的结节被误判为形状不规则和边缘呈浅分叶，韩红等[15]认为这与人工智能应用于图像边缘分析的演算程序有关，导致人工智能对结节边缘识别不够精确，不能准确勾勒出结节边缘的细微结构，从而影响到人工智能的识别。

但本研究也有一定的局限性：①目前S-Detect技术不能对钙化进行评估，所以本研究并没有将钙化作为诊断的依据，但钙化作为重要的恶性指征，有着较高的特异性[16]。②超声作为甲状腺结节诊断的重要方法，除了有较高的分辨率外，实时动态的全面扫查有助于临床诊断，但S-Detect技术只能对静态的超声图像进行分析，而同一病变不同切面的超声特征并不完全一致，诊断结果会因此受到影响。③弹性成像、超声造影等超声新技术有助于甲状腺良恶性结节的鉴别诊断[17-18]，但目前S-Detect技术尚不能对这些超声新技术进行分析评估。④本研究数据量较少，结果可能会有一定的偏倚误差，需要多中心大样本量的研究验证。

综上所述，基于深度学习模型的S-Detect技术在甲状腺结节的良恶性鉴别中有着较高诊断价值，在结节的成分、回声和纵横比方面诊断一致性较高，使用S-Detect技术辅助诊断将有助于提高低年资医师诊断的准确性。