甲狀腺結(jié)節(jié)是在甲狀腺內(nèi)形成的小塊，在一般人群中很常見，患病率高達67%。絕大多數(shù)甲狀腺結(jié)節(jié)不是癌性的，也沒有任何癥狀。然而，目前對于如何處理不確定的癌癥風(fēng)險的結(jié)節(jié)，有一些有限的指導(dǎo)方針。西德尼·基梅爾癌癥中心的一項新研究——杰弗遜健康調(diào)查了一種非侵入性超聲成像方法，結(jié)合谷歌平臺的機器學(xué)習(xí)算法，是否可以作為一種快速和廉價的甲狀腺癌的首次篩查。

目前，超聲波可以告訴我們一個結(jié)節(jié)是否可疑，然后決定是否做穿刺活檢。但細(xì)針活檢只是作為一個窺視孔，它們不能告訴我們整個情況。因此，一些活檢結(jié)果不確定結(jié)節(jié)是惡性的，還是癌變的?！?/p>

伊麗莎白·科特里爾，醫(yī)學(xué)博士，托馬斯·杰斐遜大學(xué)耳鼻喉科醫(yī)生，該研究的臨床領(lǐng)導(dǎo)者

如果檢查針頭活檢的細(xì)胞被證明是不確定的，樣本可以通過分子診斷學(xué)進一步檢測以確定惡性腫瘤的風(fēng)險。這些測試尋找與惡性甲狀腺癌相關(guān)的某些突變或分子標(biāo)記的存在。當(dāng)結(jié)節(jié)檢測出高風(fēng)險標(biāo)記物或突變陽性時，可以通過手術(shù)切除甲狀腺。然而，何時使用分子檢測的標(biāo)準(zhǔn)仍在制定中，而且還沒有在所有的實踐環(huán)境中提供這種檢測，特別是在較小的社區(qū)醫(yī)院。

為了提高一線診斷的預(yù)測能力，Jefferson的研究人員研究了由谷歌開發(fā)的機器學(xué)習(xí)或人工智能模型。這些應(yīng)用程序也被用于其他領(lǐng)域:像Urban Outfitters這樣的零售巨頭使用機器學(xué)習(xí)來幫助對他們的許多產(chǎn)品進行分類，讓消費者更容易找到他們感興趣的商品。迪斯尼用它來根據(jù)特定的人物或電影來注釋他們的產(chǎn)品。在這種情況下，研究人員將機器學(xué)習(xí)算法應(yīng)用到患者甲狀腺結(jié)節(jié)的超聲圖像上，看看它是否能識別出不同的模式。這項研究發(fā)表在10月24日的日本雜志上。

“我們研究的目的是看看與分子檢測相比，自動化機器學(xué)習(xí)是否可以使用圖像處理技術(shù)來預(yù)測甲狀腺結(jié)節(jié)的遺傳風(fēng)險，”該研究的第一作者、杰斐遜醫(yī)學(xué)院四年級學(xué)生凱利·丹尼爾斯(Kelly Daniels)說。

研究人員對121名患者的圖像進行了訓(xùn)練，這些患者接受了超聲引導(dǎo)下的精細(xì)穿刺活檢，隨后進行了分子檢測。根據(jù)分子檢測中使用的一組基因，在134個病變中，43個結(jié)節(jié)被歸類為高危結(jié)節(jié)，91個被歸類為低危結(jié)節(jié)。使用一組已知風(fēng)險分類的初步圖像來訓(xùn)練模型或算法。從這一組標(biāo)記圖像中，算法利用機器學(xué)習(xí)技術(shù)分別挑選出與高風(fēng)險結(jié)節(jié)和低風(fēng)險結(jié)節(jié)相關(guān)的模式。它利用這些模式形成自己的一套內(nèi)部參數(shù)，可以用來對未來的圖像進行排序;它本質(zhì)上是在這個新任務(wù)上“訓(xùn)練”自己。然后，研究人員在另一組未標(biāo)記的圖像上對訓(xùn)練過的模型進行測試，看看與分子測試結(jié)果相比，它能在多大程度上區(qū)分高遺傳風(fēng)險結(jié)節(jié)和低遺傳風(fēng)險結(jié)節(jié)。

“機器學(xué)習(xí)是一種低成本、高效的工具，可以幫助醫(yī)生更快地決定如何處理一個不確定的結(jié)節(jié)，”放射學(xué)副教授、該研究的主要作者John Eisenbrey博士說。“還沒有人在超聲對甲狀腺結(jié)節(jié)的遺傳風(fēng)險分層方面使用機器學(xué)習(xí)?！?/p>

研究人員發(fā)現(xiàn),他們的算法進行預(yù)測正值特異性為97%和90%,這意味著97%的患者真正良性結(jié)節(jié)的超聲閱讀“良性”算法,和90%的惡性或“正面”結(jié)節(jié)是真正積極的分類算法。高特異性表明假陽性率低;這意味著，如果算法將一個結(jié)節(jié)讀取為“惡性”，那么它很可能是真正的惡性。該算法的總準(zhǔn)確率為77.4%。

“這是外科醫(yī)生和放射科醫(yī)生的一次重要合作，其他機構(gòu)已經(jīng)對我們的合作產(chǎn)生了興趣。我們提供給算法的數(shù)據(jù)越多，我們對它的預(yù)測就越強，”科特里爾博士說。

“機器學(xué)習(xí)有很多潛在的應(yīng)用，”艾森布里博士說。“在未來，我們希望利用特征提取，這將幫助我們識別高風(fēng)險結(jié)節(jié)的解剖學(xué)相關(guān)特征?！?/p>

雖然是初步的，但研究表明，自動化機器學(xué)習(xí)有望作為一種額外的診斷工具，提高甲狀腺癌的診斷效率。一旦它變得更強大，該方法可以給醫(yī)生和病人更多的信息，以決定是否有必要切除甲狀腺葉。