人工智能助力甲状腺针吸细胞病理精准诊断

近年来甲状腺癌(Thyroid Cancer)发病率逐年升高，在中国女性新发癌症中位居第4位，在男性中位居第9位。甲状腺癌的诊治越来越趋于精准化和个体化，细胞病理学检查是恶性肿瘤初步诊断的关键步骤。随着计算机图像处理技术和模式识别与人工智能技术的飞速发展，人工智能被广泛应用于恶性肿瘤的诊断领域中，其在细胞病理诊断中具有良好的适用性。人工智能应用于细胞病理诊断可显著提高阅片速度、降低诊断医师的劳动强度、提高工作效率，避免因主观因素而产生误差，是一种具有较高应用价值的恶性肿瘤筛查技术手段。越来越多的科研人员将人工智能技术运用在甲状腺细胞学中的研究，开展一系列有开创意义的探索，而来自广州市第一人民医院的病理学专家杨耀湘就是他们之中的佼佼者。她将人工智能辅助模型应用于超声图像，显著提高了甲状腺结节诊断的准确性和特异性，她利用深度学习技术基于甲状腺乳头状癌(Papillary thyroid carcinoma，PTC)术中冰冻病理切片构建淋巴结转移预测模型，指导临床手术策略。

对于甲状腺癌，以往大多数研究集中在PTC与非PTC分类任务上。然而，由于训练数据潜在的“过拟合”局限性，导致良性滤泡细胞形成的模糊乳头状结构或厚胶质有时被错误归类为PTC。直到2020年，杨耀湘团队开发了一种人工神经网络(Artificial Neural Networks，ANN)来区分PTC和非PTC，这个行业疑难才迎刃而解，她带领团队用186张PTC涂片和184张其他甲状腺病变涂片的显微镜照片(放大10倍和40倍)来训练，并用174张显微镜涂片来评估，结果ANN的应用显示灵敏度为90%，特异性为83%，总体准确率为85%。

2021年2月，杨耀湘团队利用深层卷积神经网络(Deep Convolutional Neural Networks，DCNN)模型VGG-16和Inception-v3将甲状腺乳头状癌与甲状腺良性结节进行区分，将279个病理证实的甲状腺结节细胞学图像建立数据集分为训练组和测试组。测试组VGG-16模型和Inception-v3对碎片图像的准确率分别为97.66%和92.75%，对患者的准确率分别为95%和87.5%。在这个基础上，她利用甲状腺细针穿刺(Fine-needle Aspiration，FNA)涂片细胞学和形态学特征建立ANN模型来区分甲状腺滤泡性肿瘤，组织学证实的26例滤泡腺瘤(Follicular adenoma，FA)和31例滤泡癌(Follicular carcinoma，FC)，训练集39例，验证集和测试集各9例。结果显示9例测试集中区分FA和FC准确率达到100%，随后该研究成果被广泛应用于甲状腺针吸细胞病理诊断。大量成功的实践证明，使用大数据集训练后，DCNN VGG-16模型在促进从细胞学图像中诊断PTC方面显示了巨大的潜力。

“通过人工智能的强大学习能力，可以对甲状腺结节的位置自动标注，对结节纵横比、边界、回声、钙化等病灶特征进行分析，既明确了结节的生长位置及术前定性，又使部分术前诊断不明确的患者避免手术，减少了不必要的痛苦。”杨耀湘介绍，人工智能辅助诊断技术通过导入包括广州市第一人民医院在内的全国多家医院数十万张彩超图像，在患者进行超声检查过程中，实时同步分析超声影像，给出人工智能精准判断结果，实现甲状腺结节良恶性的无创判定。

大量临床数据验证，人工智能辅助超声诊断对甲状腺、乳腺结节的诊断准确率可高达95%以上。杨耀湘表示，下一步，她将继续使用AI系统对甲状腺乳腺结节进行术前判定，进一步发挥人工智能在甲状腺癌精准化诊疗中的积极作用。（文作者/包经军）