王洪杰 于 霞 田進軍 王振宇

隨著深度神經(jīng)網(wǎng)絡的不斷發(fā)展，人工智能(artificial intelligence，AI)在多個不同領域展現(xiàn)出超越人類的才能[1-2]。為了推動AI從理論應用于實踐，2017年5月美國放射學會(American College of Radiology，ACR)成立美國數(shù)據(jù)科學院(Data Science Institutetm，DSI)，負責制定AI醫(yī)學影像實踐的框架、策略和標準。2017年7月，國務院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，規(guī)劃中指出AI是影響面廣的顛覆性技術，要將AI首先應用于醫(yī)學和健康養(yǎng)老產(chǎn)業(yè)。目前，醫(yī)學影像AI應用研發(fā)還主要集中在診斷環(huán)節(jié)，多以單一疾病，用于肺部結(jié)節(jié)鑒別、骨齡預測及乳腺疾病檢測等[3]。利用卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)對超聲甲狀腺結(jié)節(jié)進行良惡性的診斷，與傳統(tǒng)的機器學習方法不同的是CNN方法不需要對圖像進行預處理，無需人工設計特征與進行特征選擇，這是一種數(shù)據(jù)驅(qū)動學習，相對于傳統(tǒng)方法具有極大的優(yōu)勢[4]。

甲狀腺結(jié)節(jié)是臨床上最常見的疾病之一，其結(jié)節(jié)有良惡性之分，惡性結(jié)節(jié)有原發(fā)性腫瘤以及罕見繼發(fā)性轉(zhuǎn)移癌等。超聲基于無創(chuàng)無輻射是評估甲狀腺良惡性結(jié)節(jié)特征首先檢查方法，但超聲對甲狀腺結(jié)節(jié)的評估具有主觀性，不同年資醫(yī)師之間對結(jié)節(jié)的超聲征象判定方面存在諸多不同[5]。目前，穿刺和病理檢查是鑒定結(jié)節(jié)良惡性的主要手段，但這兩種方法創(chuàng)傷性大，對正常甲狀腺組織造成破壞，因此有效地利用超聲圖像診斷甲狀腺結(jié)節(jié)良惡性代替?zhèn)鹘y(tǒng)的穿刺具有重要現(xiàn)實意義[6-7]。為此，本研究提出基于超聲深度學習的甲狀腺結(jié)節(jié)良惡性診斷的方法，該方法能夠利用深度學習的優(yōu)勢，通過逐層特征提取，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或診斷更為準確清晰[8]。

1 材料與方法

1.1 圖像采集與分割預處理

(1)圖像采集。采集2015-2018年就診于威海市婦幼保健院的1020例完全匿名的甲狀腺結(jié)節(jié)患者超聲圖像資料用于圖像建模訓練；另選390例測試患者超聲圖像資料進行研究，其中男性81例，女性309例；年齡19～79歲，平均年齡(43.11±14.39)歲，病灶直徑0.49～6.8cm，平均(3.3±0.84)cm。將圖像分析結(jié)果分為AI組、超聲影像組和聯(lián)合診斷組，并與術后病理結(jié)果進行對比

(2)圖像分割預處理。每個甲狀腺結(jié)節(jié)或正常甲狀腺均有數(shù)個縱向切割圖像或橫切圖像。共計有2786張關于甲狀腺結(jié)節(jié)的圖像，而甲狀腺圖像均來自Philips IU22、L12-5、GE LOGIQ E9和ML6-15-D的不同超聲系統(tǒng)。甲狀腺超聲若是低回聲、血運豐富、微鈣化、形態(tài)不規(guī)則和淋巴結(jié)腫大考慮為惡性；形態(tài)規(guī)則，邊緣光滑考慮為良性[9]。所有納入研究的病變均經(jīng)過活檢或手術病理確診同時病灶范圍明確，術后對甲狀腺結(jié)節(jié)的良惡性進行驗證。甲狀腺結(jié)節(jié)超聲圖像驗證見圖1。

1.2 甲狀腺結(jié)節(jié)診斷的神經(jīng)網(wǎng)絡

圖1 甲狀腺結(jié)節(jié)超聲圖像

CNN是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡，是深度學習的代表算法之一[10-11]。CNN具有表征學習能力，能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡”?；谏窠?jīng)網(wǎng)絡到CNN的甲狀腺結(jié)節(jié)良性和惡性檢測方法，是一種深度學習分類模型[12]。甲狀腺結(jié)節(jié)診斷的CNN結(jié)構(gòu)通常由標準的堆疊的卷積層、池化層及一個或多個完全連接層組成，能夠通過多個中間層捕獲輸入和輸出之間的高度非線性映射，可訓練的卷積濾波器，局部鄰域池操作和歸一化操作在輸入上交替執(zhí)行，并生成從低級特征到高級特征的越來越復雜的特征的層次結(jié)構(gòu)[13]。甲狀腺結(jié)節(jié)診斷的CNN結(jié)構(gòu)見圖2。

圖2 甲狀腺結(jié)節(jié)診斷的CNN結(jié)構(gòu)

以超聲甲狀腺結(jié)節(jié)的圖像作為輸入，產(chǎn)生相應的特征圖像作為輸出。多個中間層利用卷積核、池化和正規(guī)化作用將輸入映射到輸出，包含數(shù)以百萬計的可訓練的參數(shù)經(jīng)過調(diào)整以適應于勾畫的甲狀腺結(jié)節(jié)數(shù)據(jù)。通過對底層特征到高層特征的建立，自動學習甲狀腺結(jié)節(jié)的層次結(jié)構(gòu)特征，利用這些特征訓練一個模型，用于識別甲狀腺結(jié)節(jié)，其分類流程見圖3。

圖3 CNN神經(jīng)網(wǎng)絡超聲甲狀腺結(jié)節(jié)分類流程

描述計算機輔助診斷技術進行甲狀腺結(jié)節(jié)分類的流程為:①甲狀腺結(jié)節(jié)區(qū)域由專家醫(yī)生粗魯?shù)毓串嫵鰜?；②在CNN進行單獨訓練[14-15]；③基于甲狀腺結(jié)節(jié)的圖像塊重新訓練并融合由這兩個CNN學習的特征，訓練分類器以識別甲狀腺結(jié)節(jié)，基于CNN結(jié)構(gòu)，設計的CNN架構(gòu)包括3個卷積層、3個池化層和3個全連接層，實現(xiàn)特征學習和分類，用于診斷甲狀腺結(jié)節(jié)的良惡性[16]。

1.3 數(shù)據(jù)預測

為了驗證本研究所構(gòu)建的CNN模型對超聲數(shù)據(jù)預測效果的準確性，測試集共有390例，圖像2786張，將采集的每例患者甲狀腺數(shù)據(jù)分別輸入到完成訓練的甲狀腺診斷CNN模型中，可以得到對應每例患者良惡性的診斷結(jié)果。診斷結(jié)果由準確率、精準率、靈敏度和特異度來評定，準確率代表甲狀腺結(jié)節(jié)診斷正確的百分比，精準率代表被正確識別為惡性甲狀腺結(jié)節(jié)占總識別為惡性的結(jié)節(jié)百分比，靈敏度代表被正確識別為惡性甲狀腺結(jié)節(jié)的百分比，特異度代表被正確識別為良性甲狀腺結(jié)節(jié)的百分比。

2 結(jié)果

根據(jù)AI、超聲影像及聯(lián)合診斷結(jié)果測試對比，計算準確率、精準率、靈敏度和特異度，超聲影像組的準確度較AI組高8.46%，聯(lián)合診斷組較超聲影像組高4.36%，聯(lián)合診斷的精準率、靈敏度及特異度均高于超聲影像組及AI，組其指標結(jié)果見表1。

表1 AI、超聲影像及聯(lián)合診斷結(jié)果對比(%)

表1顯示，本研究構(gòu)建的深度學習模型用于甲狀腺結(jié)節(jié)診斷，可以輔助醫(yī)師提高患者在醫(yī)院受檢查的整體質(zhì)量，與術后病理的診斷一致性最高，可以在超聲診斷甲狀腺檢查中輔助醫(yī)生進行實時診斷。

3 討論

近年來，甲狀腺癌的發(fā)病率逐漸上升，已成為最常見的惡性腫瘤之一[17]。2012年我國甲狀腺惡性結(jié)節(jié)新發(fā)例數(shù)占全球新發(fā)例數(shù)的15.6%，因此甲狀腺癌的篩查刻不容緩，伴隨著AI技術在多個學科、多個行業(yè)的滲透，AI正在構(gòu)建一個新的醫(yī)學模式，醫(yī)工結(jié)合、學科交叉是目前醫(yī)學智能化、影像智能化發(fā)展的一個重要趨勢[18]。

本研究結(jié)果顯示，AI的準確率已經(jīng)達到70%，表明可以有效地應用甲狀腺結(jié)節(jié)良惡性的檢查，同時超聲影像結(jié)合AI具有更高的準確率、精準率、靈敏度及特異度，表明AI能夠提高超聲影像診斷甲狀腺結(jié)節(jié)良惡性的能力，但結(jié)果顯示，AI產(chǎn)品性能的準確率、精準率、靈敏度及特異度比超聲影像人工判讀低，可能是選入的甲狀腺結(jié)節(jié)均為術后病理證實，而AI僅僅分析靜態(tài)圖像不能動態(tài)觀察，增加了鑒別難度，未來要不段優(yōu)化模型來適用不同患者，提高AI產(chǎn)品性能。本研究局限性在于以惡性病例為主，樣本中良性病例較少，現(xiàn)在只能對靜態(tài)圖像進行處理分析，難以避免因超聲醫(yī)師采集圖像不全導致診斷信息丟失而差生準確率下降。

目前，甲狀腺結(jié)節(jié)良惡性輔助診斷臨床需求迫切，從政策、技術和數(shù)據(jù)上均有一定的優(yōu)勢，但存在性能單一和模型不穩(wěn)定的不足，完全對接臨床使用有一定的難度，同時在醫(yī)學倫理、法律法規(guī)、信息安全等領域的界定與患者隱私的保護還需要進一步明確[19]。

4 結(jié)語

本研究對深度學習技術在超聲甲狀腺結(jié)節(jié)領域內(nèi)的應用進行了初步探索，AI可以快速有效地對甲狀腺結(jié)節(jié)進行分險評估，可提高甲狀腺結(jié)節(jié)的診斷水平。本研究結(jié)果表明，深度學習方法應用于超聲影像的甲狀腺結(jié)節(jié)良惡臨床性輔助診斷具有可行性，并有較好的臨床應用前景。