• 发布日期：2019-01-03
  分享

深圳子科生物报道：甲状腺癌发病率稳步上升，超声检查是甲状腺结节诊断及评估最常用的手段，它具有经济、便利且相对易于推广的特点；然而其对影像医师的水平要求较高，需要有丰富的经验，个体检查耗时长。基于深度学习的影像学分析是当前国际前沿研究，其对CT、MR和B超等医学图像的分析准确率可以媲美经验丰富的影像科医生，具有快速及可重现的特点。

来自天津医科大学肿瘤医院的陈可欣、李祥春和张晟教授三个课题组发表了题为“Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multi-cohort, diagnostic study ”的文章，发表了回顾性、多中心诊断研究，报道了基于深度学习算法分析超声图像实现甲状腺癌人工智能诊断研究。

这一研究成果12月21日发表在国际肿瘤学领域著名期刊《Lancet Oncology》(2017年影响因子36.418，5年影响因子33.233)上。

在这篇文章中，研究人员以天津医科大学肿瘤医院30余万张甲状腺超声图像作为训练集进行模型开发，用3个独立数据集作为验证；并与2位具有10年经验和4位具有20年经验的甲状腺B超诊断大夫进行系统比较。

这是迄今为止在甲状腺超声人工智能领域研究中囊括图像最多的研究。分析结果发现该模型在识别甲状腺癌的敏感性和特异性可以媲美这6位经验丰富影像专家（敏感性：93.4% vs 96.9%，特异性：86.1% vs 59.4%）。该系统有望减少不必要的细针抽吸活组织检查，但仍需要在在未来的随机临床试验中进一步评估。

目前该人工智能系统还有一些局限性，无法考虑其他临床参数，因此它不能完全取代甲状腺癌的人工诊断，但可以辅助增强甲状腺超声学家在甲状腺癌诊断中的能力，特别是我国城乡医疗资源尚有不均衡存在，此人工智能系统有助于改善基层医疗机构甲状腺超声诊疗水平，为各级医疗机构提供一种快速、准确和便利的甲状腺癌超声诊断工具。

原文标题：

Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multi-cohort, diagnostic study