人工智能辅助甲状腺影像报告和数据系统4a类结节穿刺活检

何子朋，郭瑞君，唐华*

1.首都医科大学附属北京朝阳医院西院超声科，北京 100043；2.首都医科大学附属北京朝阳医院超声医学科，北京 100020；*通信作者 唐华 tanghuahuayouxiang＠163.com

甲状腺影像报告和数据系统（thyroid imaging reporting and data system，TI-RADS）的建立规范了甲状腺结节的超声诊断[1-3]，为临床进一步诊疗提供了客观参考。然而，多种因素仍会干扰超声TI-RADS临床分类，尤其对于TI-RADS 3类与4a类结节，超声医师倾向于将良性特征不明显的结节归为4a类以减少漏诊，从而增加了临床非必要的穿刺活检。S-Detect技术是近年新兴的一种初级人工智能辅助诊断方法，以客观、快速的特点，已在辅助诊断乳腺结节良恶性中体现了良好的应用价值[4-5]，但其在甲状腺结节中的研究较少[6-7]。本研究拟应用S-Detect技术进一步评估常规超声诊断为TI-RADS 4a类甲状腺结节，探讨其辅助TI-RADS 4a类结节穿刺活检的应用价值。

1 资料与方法

1.1 研究对象 回顾性选取首都医科大学附属北京朝阳医院西院2019年8月—2021年3月因甲状腺结节TI-RADS分类为4a类，预行穿刺活检患者79例共86个病灶，其中男25例，女54例；年龄21～68岁，平均（43.3±11.5）岁，病灶最大直径0.62～1.89 cm，平均（1.07±0.32）cm。纳入标准：①有明确的穿刺病理结果或手术后病理结果；②由2名高年资主治医师协商最终确定为TI-RADS 4a类结节；③术前均行常规超声及S-Detect技术评估，资料完整。排除完全钙化结节或因钙化确定为4a类结节。本研究通过首都医科大学附属北京朝阳医院伦理委员会审查（批号：2021-科-284），所有患者均知情同意。

1.2 仪器与方法 采用Samsung RS80A超声诊断仪，L3-12A高频线阵探头，频率3～12 MHz，配备有SDetect软件。由1名通过S-Detect操作培训合格的主治医师采集甲状腺结节的超声图像，选择结节最大径线的横切面、纵切面留存图像，如果有可疑恶性切面，则选择性留存1～3张图像。在每个切面均启动S-Detect，软件自动勾画包络病变范围，并分析结节的超声特征及诊断结果（可能良性、可能恶性），如果机器自动勾勒较差，可人工手动勾勒。当纵、横2个切面诊断结果不一致时，选用“恶性可能”的诊断。

1.3 超声分类 常规超声分类由2名具有10年以上甲状腺超声诊断经验的主治医师协商确定，诊断标准参考Kwak等[8]提出和詹维伟等[9]、赵艳娜等[10]建立的TI-RADS分类标准：1类，甲状腺未见异常；2类，良性结节；3类，可能良性结节（恶性风险≤5%）；4类，可疑恶性结节，细分为4a类（具有1个恶性征象，恶性风险5%～20%）、4b类（具有2个恶性征象，恶性风险 21%～50%）、4c类（具有3～4个恶性征象，恶性风险51%～90%）；5类，恶性结节可能性大（具有5个恶性征象，恶性风险＞90%）；6类，恶性结节，经病理证实。其中恶性征象包括实性、低回声或极低回声、不规则边界、微钙化、纵横比＞1。本研究选取TI-RADS 4a类病灶，参考S-Detect辅助诊断结果重新分类，SDetect诊断为可能良性时降为3类，S-Detect诊断为可能恶性时分类保持不变。所有病灶均行穿刺活检，以病理结果作为“金标准”，比较常规超声分类与SDetect辅助诊断后的分类结果。

1.4 统计学方法 选用SPSS 19.0软件，为便于统计，将超声诊断为TI-RADS 4a类结节定义为恶性，3类结节定义为良性；以病理结果作为“金标准”，分别计算常规超声与S-Detect辅助诊断的敏感度、特异度、阳性预测值、误诊率和漏诊率。采用χ2检验比较S-Detect辅助分类前后结果的差异，P＜0.05为差异有统计学意义。

2 结果

2.1 病理结果 79例共86个病灶均获得明确的病理诊断，其中恶性结节34个，包括29个乳头状癌、3个髓样癌、2个未分化癌；良性结节52个，包括结节性甲状腺肿29个，腺瘤8个，淋巴细胞甲状腺炎11个，嗜酸性细胞瘤4个。

2.2 常规超声与S-Detect辅助分类后结果 常规超声分类结果：86个病灶均为4a类，遵循临床指南，均需穿刺活检。S-Detect辅助诊断结果：86个病灶中，诊断为可能良性病灶48个，可能恶性病灶38个，38个病灶由4a类降为3类（图1）。两种技术穿刺结果比较见表1。S-Detect技术诊断为可能良性病灶中1例病理结果为恶性，为S-Detect技术漏诊病例，其病理结果为乳头状癌（图2）。

图1 S-Detect技术辅助病灶诊断分类降低超声与病理图像。A.常规超声诊断为4a类，S-Detect判读为可能良性，降为3类；B.病理结果为结节性甲状腺肿

图2 S-Detect技术漏诊病例超声与病理图像。A.S-Detect技术判读为可能良性，降为3类；B.病理结果为乳头状癌

2.3 常规超声与S-Detect技术辅助分类结果比较 SDetect技术辅助分类后，活检率、特异度、阳性预测值和误诊率差异均有统计学意义（P＜0.05），S-Detect技术1例漏诊，但两者漏诊率差异无统计学意义（P＞0.05），见表1。

表1 常规超声与S-Detect技术辅助诊断后穿刺结果比较（%）

3 讨论

近年来，甲状腺结节发病率呈显著上升趋势[11-12]。甲状腺TI-RADS分类规范了甲状腺结节的超声分类与管理建议，为甲状腺结节的临床诊断与治疗提供重要参考。根据分类指南，TI-RADS 3类结节仅需规范化的影像学随访，而TI-RADS 4类结节则需进一步穿刺活检明确诊断。然而，TI-RADS 4类结节恶性风险范围广泛（5%～90%），又细分为4a、4b、4c类，其中4a类结节的恶性风险约为5%～20%，超声医师常倾向于将良性特征不明显的结节归类为4a类，从而使4a类结节的假阳性率较高，导致临床对4a类结节的穿刺率过高[13]。本研究中，常规超声诊断为TI-RADS 4a类的86个结节中，仅39.5%（34/86）经病理证实为恶性结节，与S-Detect技术相比，误诊率达100%。因此，亟需一种新的技术提高4a类结节的诊断准确率，以降低临床穿刺活检的假阳性率。

3.1 甲状腺S-Detect人工智能系统与研究现状 甲状腺S-Detect人工智能系统是一套辅助超声影像诊断的深度学习系统[14]，它基于卷积神经网络构建，通过对韩国、法国及美国ATA等多种TI-RADS分类系统学习，自动分析结节内部结构、回声高低、边界、纵横比、形态等超声图像灰阶信息，从而获得甲状腺结节良恶性的诊断。韩红等[6]报道超声S-Detect技术诊断甲状腺肿瘤的敏感度为88.7%。本研究中S-Detect技术对于4a类结节的诊断敏感度为97.1%，特异度为71.2%，高于韩红等[6]的研究结果，表明S-Detect技术对于4a类结节较其他分类结节可能具有更高的敏感度和特异度。邢博缘等[15]对TI-RADS 4类结节研究显示，S-Detect技术在4a类结节中具有较高的特异度和准确度，在4b、4c类结节中具有较高的敏感度和准确度，表明其可以提高4类甲状腺结节良恶性的判断准确性。陈晨等[16]研究显示，S-Detect技术可以辅助超声初学者和临床医师在甲状腺结节检查时做出诊疗决策，具有很好的临床应用前景。

3.2 超声S-Detect技术辅助分类前后的诊断效能 本研究选取常规超声分类为TI-RADS 4a类的甲状腺结节86个，应用S-Detect技术辅助分类后，38个病灶降为3类，显著降低了穿刺率，提高了阳性预测值。结合穿刺病理结果，1例恶性病灶漏诊为良性，但漏诊率较常规超声并无显著差异。本例漏诊病灶的病理结果为乳头状癌，常规超声仅因为结节形态欠规则、边界欠清晰诊断为4a类。此外，本研究应用S-Detect技术辅助分类后存在15个假阳性病灶，其原因可能与该技术本身的局限性有关，S-Detect技术主要通过识别结节的二维图像获取信息，并未对结节的硬度及血流情况进行提取分析，而这两方面特征对结节的良恶性鉴别也有重要意义[17-18]，因此，超声弹性成像技术与超声造影结合将有助于进一步提高诊断准确性[19-20]。然而，与常规超声52个假阳性病灶相比，S-Detect技术的误诊率已显著减低。

3.3 本研究的局限性 ①纳入样本量偏少，选取病例均为主观性偏强的TI-RADS 4a类结节，可能会对研究结果产生偏倚；②本研究选取结节时选择最大径线的横切面、纵切面留存图像，当纵、横2个切面诊断结果不一致时则选用恶性结果，优点是减少了漏诊病例，缺点是有可能高估S-Detect技术的恶性诊断结果，提高误诊率；③S-Detect技术智能分析图像特征时并未包含结节硬度、钙化及血流分布等信息，由此可能提高漏诊率，影响研究结果。后续研究将进一步扩大样本量，与超声造影、弹性成像等技术联合应用。

总之，S-Detect技术辅助常规超声TI-RADS 4a类结节穿刺活检简便、易行，能够显著降低活检假阳性率，提高诊断效能，避免不必要的穿刺活检，值得在临床上推广使用。