肖丹丹，劉燕娜，章春泉

(南昌大學(xué)第二附屬醫(yī)院超聲科，南昌 330006)

21世紀(jì)以來(lái)甲狀腺疾病發(fā)生率及檢出率呈上升趨勢(shì)，甲狀腺超聲診斷是甲狀腺疾病篩查的主要輔助檢查，是診斷甲狀腺癌的首選檢查方法。臨床上診斷甲狀腺結(jié)節(jié)多采用甲狀腺觸診、超聲檢查、超聲引導(dǎo)下細(xì)針穿刺，或者結(jié)合超聲造影、彈性成像。然而，甲狀腺超聲分級(jí)版本多，存在局限性和特征權(quán)重不合理，在很大程度上影響了疾病的診斷；同時(shí)人工主觀判斷容易存在誤差，日常檢查時(shí)間不足、工作量大；超聲圖像偽像干擾，超聲診斷儀器性能不同造成圖像的差異；即使甲狀腺超聲造影、彈性成像可以一定程度提高診斷準(zhǔn)確率，也往往會(huì)有經(jīng)濟(jì)、時(shí)間方面的限制。近年來(lái)隨著科學(xué)技術(shù)發(fā)展，人工智能(AI)在醫(yī)療領(lǐng)域方面的應(yīng)用發(fā)展迅速，使得醫(yī)生的工作負(fù)擔(dān)減輕、效率提升、診斷準(zhǔn)確率提高[1]。本文就AI在甲狀腺超聲診斷中的應(yīng)用和研究現(xiàn)狀作一綜述。

1 AI在醫(yī)療領(lǐng)域的應(yīng)用

人工智能作為一門(mén)對(duì)人意識(shí)、思維過(guò)程進(jìn)行模擬的新學(xué)科，目前已充分地融入人們工作與生活，影響并改變各行業(yè)、各領(lǐng)域。AI在醫(yī)療領(lǐng)域的應(yīng)用廣泛，主要在疾病的診療與預(yù)測(cè)以及醫(yī)院信息化建設(shè)上[2-3]。在醫(yī)院信息化建設(shè)方面，AI對(duì)醫(yī)療大數(shù)據(jù)的存儲(chǔ)管理進(jìn)行優(yōu)化，如疾病數(shù)據(jù)庫(kù)的建立、智能化醫(yī)囑錄入、自動(dòng)結(jié)構(gòu)化電子病歷等；在疾病的預(yù)測(cè)方面，AI醫(yī)療監(jiān)控個(gè)體健康信息，能夠及時(shí)發(fā)現(xiàn)急性病、高危病患者，對(duì)慢性病患者進(jìn)行管理，對(duì)重大流行疾病進(jìn)行防控；在疾病的診療方面，AI醫(yī)療最小化診斷測(cè)試成本，提高醫(yī)療服務(wù)水平，如胸部CT的AI系統(tǒng)在新冠肺炎篩選與診斷中的應(yīng)用，在互聯(lián)網(wǎng)協(xié)助下使用機(jī)械臂完成手術(shù)的遠(yuǎn)程醫(yī)療，基于多專(zhuān)科AI輔助診斷系統(tǒng)的互聯(lián)網(wǎng)云醫(yī)院[4]等。AI在醫(yī)療領(lǐng)域的應(yīng)用將解決社區(qū)優(yōu)質(zhì)醫(yī)療資源不足的問(wèn)題，改變醫(yī)療模式，推動(dòng)醫(yī)學(xué)發(fā)展。AI影像診斷是AI在臨床發(fā)展速度最快、應(yīng)用范圍最廣的領(lǐng)域，超聲診斷在影像診斷中具有實(shí)時(shí)動(dòng)態(tài)、無(wú)創(chuàng)便捷的獨(dú)特性，AI輔助超聲診斷發(fā)展前景可觀，譬如結(jié)節(jié)自動(dòng)判讀、智能超聲產(chǎn)檢、智能心臟超聲檢查等應(yīng)用已經(jīng)日漸成熟。

互聯(lián)網(wǎng)賦予大眾前所未有的信息資源及話語(yǔ)權(quán)，通過(guò)網(wǎng)絡(luò)渠道，社會(huì)主體對(duì)經(jīng)濟(jì)政策、社會(huì)事務(wù)、公共服務(wù)、環(huán)境保護(hù)等公共議題直接提出訴求、期望和建議， “倒逼”政府部門(mén)采取措施和行動(dòng)來(lái)回應(yīng)民意，在客觀上促成了政府決策主體的多元化。大眾參與到?jīng)Q策制定中來(lái)，成為實(shí)質(zhì)性的社會(huì)治理主體，社會(huì)公眾的知情權(quán)、監(jiān)督權(quán)和表達(dá)權(quán)通過(guò)網(wǎng)絡(luò)渠道得以彰顯，這些挑戰(zhàn)驅(qū)動(dòng)著政府決策模式進(jìn)行創(chuàng)新。

2 AI在甲狀腺結(jié)節(jié)超聲診斷中的應(yīng)用

目前在AI輔助甲狀腺超聲診斷中，AI在甲狀腺結(jié)節(jié)超聲診斷中的應(yīng)用最為廣泛。甲狀腺惡性結(jié)節(jié)以乳頭狀癌占絕大多數(shù)，其次為濾泡腺癌、髓樣癌。甲狀腺良性結(jié)節(jié)包括結(jié)節(jié)性甲狀腺腫以及甲狀腺腺瘤。甲狀腺結(jié)節(jié)的超聲聲像與其病理組織學(xué)分類(lèi)間存在一定的相關(guān)性[5-6]。病理為診斷甲狀腺結(jié)節(jié)的金標(biāo)準(zhǔn)，但術(shù)前甲狀腺細(xì)針穿刺存在著有創(chuàng)性、假陰性的不足，AI聯(lián)合超聲診斷具有無(wú)創(chuàng)便捷、提高診斷效能的特點(diǎn)，給甲狀腺結(jié)節(jié)術(shù)前檢查帶來(lái)前所未有的改變。

2.1 機(jī)器學(xué)習(xí)在甲狀腺結(jié)節(jié)超聲診斷中的應(yīng)用

機(jī)器學(xué)習(xí)是AI研究的核心技術(shù)，早在20世紀(jì)90年代已經(jīng)應(yīng)用于醫(yī)學(xué)領(lǐng)域，主要被用于分類(lèi)和預(yù)測(cè)[7]，首先提取超聲圖像特征，進(jìn)行紋理分析、圖像分割，然后通過(guò)分類(lèi)器，達(dá)到診斷的目的。

有研究[22]表明，超聲圖像上結(jié)節(jié)邊緣及暈環(huán)往往由結(jié)節(jié)本身包膜、周?chē)@行血管、周邊實(shí)質(zhì)受壓萎縮、炎性滲出構(gòu)成而來(lái)，邊緣及暈環(huán)不規(guī)則是診斷濾泡性癌的一項(xiàng)重要指標(biāo)。SEO等[23]對(duì)230例甲狀腺濾泡型腺瘤和77例濾泡癌的結(jié)節(jié)邊緣輪廓的特征分析，沿結(jié)節(jié)邊緣輪廓采樣，從原始圖像中提取一些非圖像化信息，輸入到數(shù)據(jù)集，訓(xùn)練構(gòu)建的模型在鑒別甲狀腺濾泡腺瘤和濾泡癌的超聲圖像的上準(zhǔn)確率可達(dá)89.51%，相比之下，基于完整圖像構(gòu)建的模型不僅準(zhǔn)確率較低，而且圖像的識(shí)別率低。SHIN等[24]開(kāi)發(fā)了基于支持向量機(jī)(SVM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)的模型，對(duì)超聲圖像進(jìn)行分割，提取出96個(gè)影像學(xué)特征，以10個(gè)顯著特征作為最終輸入變量，研究比較了2種分類(lèi)模型與2名經(jīng)驗(yàn)豐富超聲科醫(yī)生識(shí)別甲狀腺濾泡型腺瘤和濾泡癌的表現(xiàn)，ANN分類(lèi)模型、SVM分類(lèi)模型、人工識(shí)別的準(zhǔn)確率分別為74.1%、69.0%、64.8%，2種分類(lèi)模型在濾泡性腫瘤的鑒別中診斷效能均高于超聲科醫(yī)生，SVM分類(lèi)模型的敏感性高于ANN分類(lèi)模型，而ANN分類(lèi)模型的準(zhǔn)確性及特異性高于SVM分類(lèi)模型。然而，甲狀腺濾泡癌的發(fā)病率較低，模型的構(gòu)建和驗(yàn)證難以在更大數(shù)據(jù)集上得到實(shí)現(xiàn)，大樣本量仍是AI在甲狀腺濾泡性腫瘤超聲診斷中進(jìn)一步研究的關(guān)鍵。

術(shù)前甲狀腺細(xì)針穿刺可以準(zhǔn)確診斷甲狀腺乳頭狀癌，相比之下，細(xì)胞學(xué)病理無(wú)法完全地區(qū)分濾泡性腺瘤與濾泡癌，即使術(shù)中快速冰凍切片也存在誤診，這些結(jié)節(jié)被歸類(lèi)為甲狀腺濾泡性腫瘤，需要在術(shù)后進(jìn)行組織學(xué)病理檢查，以及免疫組織化學(xué)檢測(cè)以輔助確診[20]。甲狀腺超聲可以對(duì)典型的濾泡性腺瘤做出診斷，但部分濾泡性腺瘤和濾泡性腺癌聲像重疊，無(wú)法鑒別，往往需結(jié)合淋巴結(jié)轉(zhuǎn)移情況綜合分析[21]。如何避免甲狀腺濾泡性腫瘤患者接受不必要的手術(shù)，做到術(shù)前明確診斷甲狀腺濾泡性腫瘤良惡性，一直是備受關(guān)注的問(wèn)題，AI輔助診斷甲狀腺濾泡性腫瘤超聲診斷，為鑒別濾泡性腫瘤良惡性找到新的突破口。

2.2 CNN網(wǎng)絡(luò)模型在甲狀腺結(jié)節(jié)超聲診斷中的應(yīng)用

③對(duì)刀：分別用1、2、3號(hào)刀試切端面和外圓，設(shè)置好刀偏表，并用“X磨損”留好0.3的余量，為粗、精車(chē)做好準(zhǔn)備。

經(jīng)典的CNN網(wǎng)絡(luò)模型主要有LeNet、AlexNet、GoogleNet、VGGNet、ResNet，這些網(wǎng)絡(luò)模型各有優(yōu)劣，LeNet最早用于數(shù)字識(shí)別，對(duì)于復(fù)雜問(wèn)題的處理不理想；2012年Alex開(kāi)發(fā)的AlexNet，將CNN乃至深度學(xué)習(xí)再次推向研究熱潮，使得在大量復(fù)雜數(shù)據(jù)中學(xué)習(xí)成為可能。利用改進(jìn)的AlexNet，左東奇等[12]提高了對(duì)甲狀腺結(jié)節(jié)內(nèi)點(diǎn)狀鈣化特征提取的準(zhǔn)確性，通過(guò)選取的8416張鈣化結(jié)節(jié)圖像和10844張無(wú)鈣化結(jié)節(jié)圖像驗(yàn)證，準(zhǔn)確率達(dá)86%,為識(shí)別惡性結(jié)節(jié)內(nèi)鈣化與良性結(jié)節(jié)囊壁鈣化提供了有效分析方法。AlexNet通過(guò)增大網(wǎng)絡(luò)層數(shù)來(lái)獲得更好的訓(xùn)練效果，但層數(shù)的增加會(huì)帶來(lái)負(fù)作用，而GoogleNet可高效地利用計(jì)算資源，在相同的計(jì)算量下提取到更多的特征，從而提升訓(xùn)練結(jié)果。遲劍寧等[13]利用GoogleNet將圖像的深層次特征和淺層次紋理特征統(tǒng)一融合，對(duì)甲狀腺結(jié)節(jié)進(jìn)行分類(lèi)，獲得滿(mǎn)意的效果。SONG等[14]開(kāi)發(fā)了一個(gè)基于GoogleNet的Inception-V3網(wǎng)絡(luò)模型深度學(xué)習(xí)方法，應(yīng)用于甲狀腺結(jié)節(jié)超聲圖像的評(píng)估中，有助于臨床醫(yī)生識(shí)別良性結(jié)節(jié)，避免不必要的甲狀腺細(xì)針穿刺活檢。

2.3 AI在甲狀腺結(jié)節(jié)超聲診斷中的新進(jìn)展

基于AI的甲狀腺結(jié)節(jié)超聲檢查，在結(jié)合甲狀腺影像報(bào)告及數(shù)據(jù)系統(tǒng)(TI-RADS)的基礎(chǔ)上取得了很好的成果，CHI等[15]首次嘗試將深度學(xué)習(xí)方法與人工TI-RADS評(píng)分系統(tǒng)相結(jié)合，建立一個(gè)甲狀腺結(jié)節(jié)的CAD系統(tǒng)，選用3942個(gè)結(jié)節(jié)作為訓(xùn)練集，693個(gè)結(jié)節(jié)作為驗(yàn)證集，提高評(píng)估性能，使分類(lèi)準(zhǔn)確率達(dá)98.29%，值得注意的是，該系統(tǒng)能夠消除超聲醫(yī)師主觀判斷誤差，為定期甲狀腺超聲檢查的患者帶來(lái)方便，然而該研究未建立在病理結(jié)果的基礎(chǔ)上，未對(duì)樣本的TI-RADS評(píng)分與其實(shí)際病理良惡性結(jié)果進(jìn)一步探討。隨著AI的深入研究，針對(duì)甲狀腺結(jié)節(jié)的診斷系統(tǒng)軟件已經(jīng)實(shí)現(xiàn)了商業(yè)轉(zhuǎn)化，首個(gè)商用甲狀腺超聲CAD系統(tǒng)S-Detect[16]能夠內(nèi)置于超聲系統(tǒng)中，使其更便捷、實(shí)時(shí)地應(yīng)用于臨床環(huán)境中。ZHANG等[17]采用RF分類(lèi)器建立一個(gè)計(jì)算機(jī)輔助診斷系統(tǒng)，在一般超聲圖像特征的基礎(chǔ)上增加彈性成像的特征，彈性成像采用Asteria 4級(jí)評(píng)分，0—Ⅱ級(jí)被認(rèn)為良性，Ⅲ—Ⅳ級(jí)被認(rèn)為惡性，組成2個(gè)不同數(shù)據(jù)集(常規(guī)超聲特征的數(shù)據(jù)集、常規(guī)超聲特征附加彈性成像特征的數(shù)據(jù)集)，輸入到不同算法進(jìn)行分析與參數(shù)微調(diào)，比較該診斷系統(tǒng)與訓(xùn)練有素的超聲科醫(yī)生識(shí)別甲狀腺結(jié)節(jié)良惡性的表現(xiàn)，結(jié)果顯示，基于彈性成像和常規(guī)超聲特征的診斷系統(tǒng)準(zhǔn)確率為85.7%，高于超聲醫(yī)師的準(zhǔn)確率(83.3%)，同樣也優(yōu)于僅基于常規(guī)超聲特征的診斷系統(tǒng)(準(zhǔn)確率為84.0%)。盡管該診斷系統(tǒng)在附加彈性成像特征后表現(xiàn)出較高的準(zhǔn)確率，但應(yīng)用時(shí)需要手動(dòng)判斷彈性評(píng)分，大大降低了其實(shí)用價(jià)值。目前，甲狀腺結(jié)節(jié)超聲圖像的特征提取已經(jīng)實(shí)現(xiàn)了自動(dòng)化，ZHOU等[18]提出一個(gè)高度自動(dòng)化的深度學(xué)習(xí)影像組學(xué)的模型，能自動(dòng)提取特征，在不同超聲儀器的應(yīng)用下性能不受影響，研究者設(shè)計(jì)了一個(gè)簡(jiǎn)單的觸發(fā)點(diǎn)，在超聲圖像上以觸發(fā)點(diǎn)為中心，切割出3個(gè)大小不同的方形感興趣區(qū)域，輸入到神經(jīng)網(wǎng)絡(luò)中，由于這種多重感興趣區(qū)的方式不僅關(guān)注了每個(gè)結(jié)節(jié)內(nèi)部，還對(duì)結(jié)節(jié)外部鄰近區(qū)進(jìn)行了分析，從而使該模型得到更高的準(zhǔn)確率。首個(gè)以超聲圖像為預(yù)訓(xùn)練的線上遷移學(xué)習(xí)系統(tǒng)[19]，收集5602個(gè)甲狀腺結(jié)節(jié)(其中良性結(jié)節(jié)4291個(gè)，惡性結(jié)節(jié)1311個(gè))建立模型，擁有比自然圖像預(yù)訓(xùn)練的遷移學(xué)習(xí)模型更高得準(zhǔn)確率(達(dá)98%)，可完整地融入到臨床甲狀腺超聲檢查的常規(guī)工作流程中。

計(jì)算機(jī)輔助診斷(CAD)應(yīng)用于甲狀腺超聲，將超聲圖像中灰度值量化后提取特征，往往可能存在人為量化的不穩(wěn)定、不準(zhǔn)確性，而人工神經(jīng)網(wǎng)絡(luò)在這方面有很大提高，它是機(jī)器學(xué)習(xí)中比較接近生物神經(jīng)網(wǎng)絡(luò)特性的數(shù)學(xué)模型，是一種可被訓(xùn)練從一組數(shù)據(jù)中歸納學(xué)習(xí)的AI形式，首先從原始數(shù)據(jù)中學(xué)習(xí)，然后在基礎(chǔ)上建立自身表達(dá)，重復(fù)這個(gè)過(guò)程，得到更高層次的表達(dá)，根據(jù)研究問(wèn)題和數(shù)據(jù)的特征進(jìn)行學(xué)習(xí)的調(diào)整。人工神經(jīng)網(wǎng)絡(luò)包括CNN，CNN更具有歸納推理和決策能力，能夠從經(jīng)驗(yàn)中學(xué)習(xí)，是目前用于圖像處理的主要人工神經(jīng)網(wǎng)絡(luò)工具。

3 AI在甲狀腺濾泡性腫瘤超聲診斷中的應(yīng)用

社區(qū)醫(yī)養(yǎng)體系的構(gòu)建需要依靠網(wǎng)絡(luò)系統(tǒng)的服務(wù)支持,當(dāng)前,社區(qū)需要建立一套養(yǎng)老服務(wù)和老年醫(yī)療保健信息系統(tǒng),便于進(jìn)行實(shí)時(shí)的服務(wù)跟蹤、信息更新和上下機(jī)構(gòu)之間的及時(shí)溝通．各類(lèi)設(shè)施之間應(yīng)建立上下級(jí)轉(zhuǎn)診機(jī)制,使得老年病人的治療過(guò)程連續(xù)而及時(shí),也可以建立與上一級(jí)醫(yī)院或者綜合醫(yī)院的雙向互診,構(gòu)建三級(jí)醫(yī)療網(wǎng)絡(luò)的發(fā)展體系．

早期的紋理分析應(yīng)用在甲狀腺結(jié)節(jié)良惡性鑒別，ACHARYA等[8]用離散小波變換和紋理特征結(jié)合提取超聲圖像特征，通過(guò)AdaBoost分類(lèi)器進(jìn)行分類(lèi)，開(kāi)發(fā)出一個(gè)更客觀地檢測(cè)良惡性結(jié)節(jié)的系統(tǒng)。圖像分割是圖像識(shí)別基本步驟，MA等[9]首次采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)甲狀腺結(jié)節(jié)進(jìn)行分割，使用深度CNN從甲狀腺超聲圖像中自動(dòng)分割甲狀腺結(jié)節(jié)，以圖像塊作為輸入，然后生成分割概率圖作為輸出，采用多視圖策略提高了模型的性能。提取出的有效特征，最終進(jìn)入分類(lèi)器分類(lèi)。首個(gè)使用CNN對(duì)甲狀腺結(jié)節(jié)進(jìn)行分類(lèi)的模型[10]，將2個(gè)預(yù)先訓(xùn)練的CNN與不同卷積層及全連接層融合，診斷甲狀腺結(jié)節(jié)的準(zhǔn)確率達(dá)83.02%，顯著提高了檢測(cè)性能。LIU等[11]首次將深度學(xué)習(xí)遷移到超聲圖像中進(jìn)行甲狀腺結(jié)節(jié)分類(lèi)，將數(shù)據(jù)集上訓(xùn)練好的網(wǎng)絡(luò)模型快速轉(zhuǎn)移到另外一個(gè)數(shù)據(jù)集上，保留原訓(xùn)練模型中倒數(shù)第一層之前的所有參數(shù)，替換最后一層，將原模型遷移到甲狀腺超聲圖像上，生成深層次特征，經(jīng)過(guò)測(cè)試表明，這種應(yīng)用混合特征的方法顯著提高了分類(lèi)精度。

4 AI在甲狀腺?gòu)浡圆∽兂曉\斷中的應(yīng)用

甲狀腺?gòu)浡圆∽冎饕袠虮臼霞谞钕傺?慢性淋巴細(xì)胞性甲狀腺炎)、彌漫性毒性甲狀腺腫、亞急性甲狀腺炎，目前AI主要應(yīng)用于橋本氏甲狀腺炎的研究，橋本氏甲狀腺炎是最常見(jiàn)的甲狀腺?gòu)浡圆∽?，橋本氏甲狀腺炎超聲圖像的血流信號(hào)上沒(méi)有明顯的特異性，主要表現(xiàn)在灰階圖像上的不同，對(duì)檢查者的主觀經(jīng)驗(yàn)依賴(lài)較大。

在研究橋本氏甲狀腺炎圖像的特征中，KOHILA等[25]利用鄰域灰度差分矩陣、統(tǒng)計(jì)特征矩陣和Laws紋理能量測(cè)度的紋理分析鑒別橋本甲狀腺炎超聲圖像，有效地避免了超聲診斷橋本氏甲狀腺炎的主觀性。ACHARYA等[26]開(kāi)發(fā)了一個(gè)自動(dòng)、實(shí)時(shí)、在線的CAD系統(tǒng)，利用甲狀腺實(shí)質(zhì)灰階超聲特征構(gòu)建分類(lèi)器，為鑒別橋本氏甲狀腺炎患者圖像提供了客觀、可重復(fù)的方法。OMIOTEK[27]比較并選擇了最佳的橋本氏甲狀腺炎分類(lèi)模型，建立了一個(gè)針對(duì)超聲疑難病例的高準(zhǔn)確性分類(lèi)器，分類(lèi)靈敏度達(dá)88.1%。

在 “紡紗工藝設(shè)計(jì)與質(zhì)量控制”課程實(shí)施案例教學(xué)法，要根據(jù)教學(xué)大綱和培養(yǎng)方案，要理論聯(lián)系實(shí)際，培養(yǎng)學(xué)生利用理論知識(shí)解決實(shí)際問(wèn)題的能力。

5 發(fā)展與展望

AI作為一門(mén)對(duì)人意識(shí)、思維過(guò)程進(jìn)行模擬的新學(xué)科，已經(jīng)充分地融入人們生活的方方面面。經(jīng)濟(jì)學(xué)家克勞斯·施瓦布[28]認(rèn)為，以AI、萬(wàn)物聯(lián)網(wǎng)、新材料發(fā)展、機(jī)器人技術(shù)等為代表的第四次工業(yè)革命，將改變?nèi)藗兩罘绞?，改變幾乎所有?guó)家的所有行業(yè)。目前AI在甲狀腺疾病診斷中的應(yīng)用已經(jīng)日漸成熟，但對(duì)其的普及應(yīng)用仍面臨著一些問(wèn)題；首先，AI醫(yī)療的關(guān)鍵在于醫(yī)療數(shù)據(jù)平臺(tái)的建立，如何做好超聲圖像實(shí)時(shí)數(shù)據(jù)的有效存儲(chǔ)和管理，以便為構(gòu)建診斷系統(tǒng)提供樣本量大、利用率高的數(shù)據(jù)資料[29]；其次，AI對(duì)甲狀腺結(jié)節(jié)超聲圖像識(shí)別分析已經(jīng)能夠更準(zhǔn)確、更迅速完成甲狀腺疾病的診斷，AI若能進(jìn)一步應(yīng)用于甲狀腺?gòu)浡圆∽冎g的區(qū)分，或許能為合并彌漫性病變的甲狀腺病灶的診斷提供更多的幫助，另外，甲狀腺疾病病理亞分型的判別將是未來(lái)的一個(gè)探索和研究方向；同時(shí)，隨著AI輔助醫(yī)學(xué)診斷的廣泛應(yīng)用和發(fā)展，相關(guān)法律法規(guī)也有待完善。醫(yī)療健康領(lǐng)域智能化發(fā)展已經(jīng)成為一種趨勢(shì)[30]，AI在淺表超聲尤其是甲狀腺超聲診斷領(lǐng)域的應(yīng)用將向更高準(zhǔn)確性、更強(qiáng)適應(yīng)性的方向發(fā)展。