甲状腺癌可通过AI光声或超声成像诊断
发布日期：2021-07-15甲状腺中的肿块称为甲状腺结节，所有甲状腺结节中有5-10%被诊断为甲状腺癌。甲状腺癌预后好、生存率高、复发率低，因此早期诊断和治疗至关重要。近日，韩国的一个联合研究团队提出了一种新的非侵入性方法，通过将光声（PA）和超声图像技术与人工智能相结合来区分甲状腺结节和癌症。
联合研究团队由POSTECH电气工程系、融合IT工程系和机械工程系的ChulhongKim教授和ByulleePark博士，首尔圣玛丽医院的Dong-JunLim教授和JeonghoonHa教授组成韩国大学和釜山国立大学的JeesuKim教授进行了一项研究，从恶性和良性结节患者中获取PA图像，并用人工智能对其进行分析。认识到它们的重要性，这项研究的结果发表在癌症研究中。
目前，甲状腺结节的诊断是通过使用超声图像的细针穿刺活检（FNAB）进行的。但是大约20%的FNAB是不准确的，这会导致重复和不必要的活检。为了克服这个问题，联合研究小组探索了使用PA成像来获得由光产生的超声波信号。当光（激光）照射在患者的甲状腺结节上时，甲状腺和结节会产生称为PA信号的超声波信号。通过获取和处理该信号，收集腺体和结节的PA图像。这时如果得到多光谱PA信号，就可以计算出甲状腺和甲状腺结节的氧饱和度信息。
研究人员针对恶性结节的氧饱和度低于正常结节这一事实，获取了恶性甲状腺结节（23例）和良性结节（29例）患者的PA图像。研究人员对患者的甲状腺结节进行体内多光谱PA成像，计算了多个参数，包括结节区域的血红蛋白氧饱和度水平。使用机器学习技术对其进行分析，以成功自动分类甲状腺结节是恶性还是良性。在起初的分类中，将恶性肿瘤分类为恶性的敏感性为78%，将良性分类为良性的特异性为93%。
在第二次分析中，通过机器学习技术获得的PA分析结果与基于医院通常使用的超声图像的初始检查结果相结合。再次证实，可以以83%的灵敏度和93%的特异性区分恶性甲状腺结节。更进一步，当研究人员在第三次分析中将灵敏度保持在100%时，特异性达到了55%。这比使用常规超声对甲状腺结节进行初步检查的特异性17.3%（灵敏度98%）高出约3倍。
结果，正确诊断良性、非恶性结节的概率增加了三倍以上，这表明可以大大减少过度诊断和不必要的活检和重复检查，从而减少过多的医疗费用。POSTECH的ChulhongKim教授说：“这项研究的意义在于，它是第一个使用机器学习获取甲状腺结节的光声图像并对恶性结节进行分类的研究。”“除了更大限度地减少甲状腺癌患者不必要的活检外，这项技术还可以应用于各种其他癌症，包括乳腺癌。”
“基于光声成像的超声波设备，将有助于有效诊断健康检查中常见的甲状腺癌并减少活检数量，”首尔圣玛丽医院的Dong-JunLim教授解释说。“它可以开发成一种医疗设备，可以很容易地用于甲状腺结节患者。”
