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

引用本文

王洪杰, 于霞, 张恩东, 马立勇, 汤华晓. 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[J]. 中国中西医结合影像学杂志, 2021, 19(1): 81-84. DOI: 10.3969/j.issn.1672-0512.2021.01.022

WANG Hongjie, YU Xia, ZHANG Endong, MA Liyong, TANG Huaxiao. Assistant value of ultrasound artificial intelligence combined with TI-RADS classification in differential diagnosis of thyroid nodules[J]. Chinese Imaging Journal of Integrated Traditional and Western Medicine, 2021, 19(1): 81-84. DOI: 10.3969/j.issn.1672-0512.2021.01.022

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

[PDF全文]

王洪杰^1a , 于霞^1b , 张恩东^1c , 马立勇² , 汤华晓^1d

1a. 山东省威海市妇幼保健院医疗设备科，山东威海 264200;
1b. 山东省威海市妇幼保健院超声二科，山东威海 264200;
1c. 山东省威海市妇幼保健院耳鼻喉头颈外科，山东威海 264200;
1d. 山东省威海市妇幼保健院病理科，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

收稿日期: 2019-10-27

基金项目: 山东省医药卫生科技发展计划项目(2018WS111，2019WS221)；山东省自然科学基金(ZR2018MF026)

通信作者: 张恩东, E-mail:entzed@sina.com.

摘要：目的: 探讨超声人工智能联合美国放射学会甲状腺影像与报告系统(TI-RADS)分类在甲状腺结节良恶性鉴别诊断中的价值。方法: 回顾性分析860例(共920个结节)行甲状腺手术的患者，术前均行超声检查，并与术后组织病理学结果对照，比较人工智能、TI-RADS分类及两者联合诊断的效能，采用Kappa检验分析不同诊断方式的一致性。结果: 人工智能、TI-RADS及联合检查诊断甲状腺恶性结节的准确率分别为78.80%(725/920)、80.98%(745/920)及85.00%(782/920)；敏感度76.36%(252/330)、80.61%(266/330)及86.36%(285/330)；特异度分别为80.17%(473/590)、81.19%(479/590)及84.24%(497/590)。ROC曲线分析人工智能、TI-RADS分类及联合诊断甲状腺恶性结节的AUC分别为0.783、0.792及0.853(Z=1.465，P=0.143)。结论: 人工智能与TI-RADS分类对甲状腺结节均具有较高的诊断效能，联合诊断能更有效地鉴别甲状腺结节的良恶性。

关键词：超声检查人工智能甲状腺影像与报告系统甲状腺结节

Assistant value of ultrasound artificial intelligence combined with TI-RADS classification in differential diagnosis of thyroid nodules

WANG Hongjie , YU Xia , ZHANG Endong , MA Liyong , TANG Huaxiao

Otolaryngology Head and Neck Surgery, Weihai Maternal and Child Health Hospital, Weihai 264200, China

Abstract: Objective: To explore the value of ultrasound artificial intelligence (AI) combined with American College of Radiology (ACR) thyroid imaging reporting and data system (TI-RADS) in the differential diagnosis of benign and malignant thyroid nodules. Methods: A total of 920 thyroid nodules of 860 patients who underwent thyroid surgery were analyzed retrospectively. Their ultrasound images were reclassified by ACR TI-RADS. The results of AI, TI-RADS classification and joint diagnosis were compared with the results of histopathology, and Kappa test was used to analyze the consistency of different diagnosis methods. Results: The accuracy of AI, TI-RADS and combined examination in the diagnosis of thyroid malignancy were 78.80% (725/920), 80.98% (745/920) and 85.00% (782/920), the sensitivity were 76.36% (252/330), 80.61% (266/330) and 86.36% (285/330), the specificity were 80.17% (473/590), 81.19% (479/590) and 84.24% (497/590). In the ROC curve analysis of AI, TI-RADS classification and joint diagnosis, the AUC of thyroid malignant nodule were 0.783, 0.792 and 0.853 (Z=1.465, P=0.143), respectively. Conclusions: AI and TI-RADS classification examination have higher diagnostic efficiency for thyroid nodules, and the joint diagnosis can be more effective.

Key words: Ultrasonography Artificial intelligence Thyroid imaging reporting and data system Thyroid nodule

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x±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)

表 1 甲状腺结节良恶性的二维超声图像特征比较

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)。

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)

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

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)。

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

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。

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。

参考文献

[1]	许敏, 韩峰, 罗晓, 等. 计算机辅助诊断系统鉴别甲状腺结节良恶性的诊断效能及其影响因素[J]. 中华医学超声杂志(电子版), 2019, 4(16): 252-256.
[2]	中国超声医学工程学会浅表器官及外周血管专业委员会. 甲状腺及相关颈部淋巴结超声若干临床意见问题专家共识(2018版)[J]. 中国超声医学杂志, 2019, 35(3): 193-204.
[3]	CHANG Y, PAUL A K, KIM N, et al. Computer-aided diagnosis for classifying bengin versus malignant thyroid nodules based on ultrasound images:A comparison with radiologist-based assessments[J]. Med Phys, 2016, 43(1): 554. DOI:10.1118/1.4939060
[4]	王洪杰, 于霞, 张恩东. 人工智能辅助超声对甲状腺结节检出的研究进展[J]. 中国中西医结合影像学杂志, 2020, 18(4): 424-426.
[5]	YU Q, JIANG T, ZHOU A, et al. Computer-aided diagnosis of malignant or benign thyroid nodes based on ultrasound images[J]. Eur Arch Otorhinolaryngol, 2017, 274(7): 2891-2897. DOI:10.1007/s00405-017-4562-3
[6]	郭初晓, 刘吉平. 二维彩超联合超声造影对甲状腺良恶性结节的诊断价值[J]. 中国超声医学杂志, 2019, 35(2): 108-112. DOI:10.3969/j.issn.1002-0101.2019.02.004
[7]	中国抗癌协会甲状腺癌专业委员会. 甲状腺微小乳头状癌诊断与治疗中国专家共识(2016版)[J]. 中国肿瘤临床, 2016, 43(12): 526.
[8]	KIM E K, PARK C S, CHUNG W Y, et al. Newsonographic criteria for recommending fine-needle aspiration biopsy of nonpalpable solid nodules of the thyroid[J]. Am J Roentgenol, 2002, 178(3): 687-691. DOI:10.2214/ajr.178.3.1780687
[9]	ARPACI D, OZDEMIR D, CUHACI N, et al. Evaluation of cytopathological findings in thyroid nodules with macrocalcification:macrocalcification is not innocent as it seems[J]. Am J Roentgenol, 2014, 203(6): 1310-1316. DOI:10.2214/AJR.13.11934
[10]	鲁媛媛, 赵晓慧, 李俊来. 计算机辅助超声医师诊断甲状腺TI-RADS 3-4级占位病变的价值[J]. 中国超声医学杂志, 2018, 34(7): 580-584. DOI:10.3969/j.issn.1002-0101.2018.07.003
[11]	汪延芳, 聂芳, 李琪, 等. 超声造影对甲状腺实行结节恶性风险的评估价值[J]. 中国超声医学杂志, 2017, 33(5): 16-19.
[12]	中国超声医学工程学会浅表器官及外周血管专业委员会. 甲状腺及相关颈部淋巴结超声若干临床意见问题专家共识(2018版)[J]. 中国超声医学杂志, 2019, 35(3): 193-204.
[13]	LEHMAN C D, WELLMAN R D, BUIST D S, et al. Diagnostic accuracy of digital screening mammography with and without computer-aideddetection[J]. JAMA Intern Med, 2015, 175(11): 1828-1837. DOI:10.1001/jamainternmed.2015.5231
[14]	SHINAUCHI A, GIGER M L, BHOOSHAN N, et al. Evaluation of clinical breast MR imaging workstation:reader study[J]. Radiology, 2011, 258(3): 696-704. DOI:10.1148/radiol.10100409
[15]	CHEN C M, CHOU Y H, HAN K C, et al. Breast lesions on sonograms:computer-aided diagnosis with nearly setting-independent features and artificial neural networks[J]. Radiology, 2003, 226(2): 504-514. DOI:10.1148/radiol.2262011843
[16]	宋美琪, 徐皓煊, 汝童, 等. 人工智能在超声影像中的应用现状[J]. 中国中西医结合影像学杂志, 2020, 18(5): 528-531, 535. DOI:10.3969/j.issn.1672-0512.2020.05.027
[17]	王洪杰, 于霞, 张恩东. 人工智能辅助超声对甲状腺结节检出的研究进展[J]. 中国中西医结合影像学杂志, 2020, 18(4): 424-426.
[18]	YASSIN N I R, OMRAN S, E I HOUBY E M F, et al. Machine learning techniques for breast cancer computer aided diagnosis using different image modalities:A systematic review[J]. Comput Methods Programs Biomed, 2018, 156: 25-45.