使用AI预测超声上甲状腺癌的风险

甲状腺结节是甲状腺内形成的小块，在普通人群中很常见，患病率高达67％。绝大多数甲状腺结节都不是癌性，也不会引起症状。但是，当癌症的风险不确定时，目前有关于如何处理结节的准则。Sidney Kimmel癌症中心的一项新研究 - 杰斐逊健康（Jefferson Health）研究了一种非侵入性超声成像方法是否与Google-Platform机器学习算法结合使用，可以用作甲状腺癌的快速且廉价的第一屏。

托马斯·杰斐逊大学（Thomas Jefferson University）的耳鼻喉科医生伊丽莎白·科特里尔（Elizabeth Cottril）说：“目前，超声可以告诉我们结节是否看起来可疑，然后做出是否进行针头活检。”“但是细针活检只能充当窥视孔，他们不会告诉我们整个图片。结果，有些活检却没有定论结果，换句话说，结节是否可能是恶性或癌性的。”

如果检查针头活检的细胞证明尚无定论，则可以通过分子诊断进一步测试样品，以确定恶性肿瘤的风险。这些测试寻找与恶性甲状腺癌有关的某些突变或分子标记的存在。当结节测试高风险标记或突变阳性时，甲状腺可能会通过手术去除。但是，何时使用分子测试的标准仍在开发中，并且在所有实践环境中尚未提供该测试，尤其是在较小的社区医院。

为了提高一线诊断的预测能力，杰斐逊研究人员进行了超声检查，研究了Google开发的机器学习或人工智能模型。These applications are being used in other spaces: retail giants like Urban Outfitters use machine learning to help classify their many products, making it easier for the consumer to find an item they’re interested in. Disney uses it to annotate their products based on specific characters or movies. In this case, the researchers applied a machine-learning algorithm to ultrasound images of patients’ thyroid nodules to see if it could pick out distinguishing patterns. “The goal of our study was to see whether automated machine learning could use image-processing technology to predict the genetic risk of thyroid nodules, compared to molecular testing,” says Kelly Daniels, a fourth year medical student at Jefferson and first author of the study.

研究人员对121例经过超声引导细针培养的患者的图像进行了训练，并随后进行了分子测试。从134个病变中，基于分子测试中使用的一组基因，将43个结节归类为高风险，并将91个结节归类为低风险。使用已知风险分类的初步图像集来训练模型或算法。从这张标记的图像库中，该算法利用机器学习技术分别挑选出与高风险结节相关的模式。它使用这些模式形成了自己的内部参数集，可用于整理未来的图像集；它本质上是在这项新任务上“训练”的。然后，研究人员在一组不同的未标记图像上测试了经过训练的模型，以查看与分子测试结果相比，它可以对高和低遗传风险结节进行分类。

“机器学习是一种低成本和高效的工具，可以帮助医生对如何接近不确定结节做出更快的决定，”放射学副教授，研究的主要作者John Eisenbrey博士说。“没有人在超声检查甲状腺结节的遗传风险分层领域使用机器学习。”

研究人员发现，其算法以97％的特异性和90％的预测阳性值执行，这意味着97％的真正具有良性结节的患者将通过算法将其超声读为“良性”，而90％的恶性或“正态”呈阳性或“阳性”或“阳性”按算法分类，结节确实是积极的。高特异性表明误报率低；这意味着，如果该算法将结节读为“恶性”，那么很可能会真正具有恶性。该算法的总体准确性为77.4％。

“这是外科医生和放射科医生的重要合作，其他机构已经有兴趣汇集我们的资源。我们喂养算法的数据越多，我们期望它会变得越强，更具预测性。” Cottril博士说。

艾森伯里博士说：“机器学习有很多潜在的应用。”“将来我们希望利用功能提取，这将有助于我们确定高风险结节的解剖学相关特征。”

尽管初步研究表明，自动化的机器学习表现出有望作为一种额外的诊断工具，可以提高甲状腺癌诊断的效率。一旦变得更强大，该方法就可以为医生和患者提供更多信息，以决定是否需要去除甲状腺叶。