![利用人工智能预测甲状腺癌的超声风险。](http://www.alohadebbie.com/sites/default/files/styles/content_large/public/Artificial_Intelligence.png?itok=32yamX1c)
利用人工智能预测甲状腺癌的超声风险。
2019年11月6日—甲状腺结节是在甲状腺内形成的小肿块,在普通人群中很常见,患病率高达67%。绝大多数甲状腺结节不是癌性的,也不会引起任何症状。然而,目前对于在癌症风险不确定的情况下如何处理结节的指导方针有限。一项新的研究西德尼·坎摩尔癌症中心杰斐逊健康中心研究一种非侵入性的超声成像方法,结合谷歌平台的机器学习算法,是否可以作为一种快速、廉价的甲状腺癌首次筛查。
“目前,超声波可以告诉我们结节是否可疑,然后决定是否做穿刺活检,”他说伊丽莎白Cottril博士他是一名耳鼻喉科医生托马斯杰弗逊大学他是这项研究的临床带头人。“但细针活检只能起到窥视孔的作用,它们不能告诉我们全部情况。因此,一些活检结果无法确定结节是否是恶性的,换句话说,是否是癌性的。”
如果对针活检细胞的检查不确定,可以通过分子诊断进一步检测样本,以确定恶性肿瘤的风险。这些检查寻找与恶性甲状腺癌相关的某些突变或分子标记的存在。当结节检测出高危标记或突变阳性时,可以通过手术切除甲状腺。然而,何时使用分子检测的标准仍在制定中,而且还没有在所有的实践环境中提供这种检测,特别是在较小的社区医院。
为了提高一线超声诊断的预测能力,杰斐逊的研究人员研究了谷歌开发的机器学习或人工智能模型。这些应用也被用于其他领域:Urban Outfitters等零售巨头使用机器学习来帮助对他们的许多产品进行分类,使消费者更容易找到他们感兴趣的商品。迪士尼使用它来根据特定的角色或电影为他们的产品进行注释。在这种情况下,研究人员将一种机器学习算法应用到患者甲状腺结节的超声图像上,看看它是否能挑出有区别的模式。这项研究发表在JAMA-Oto10月24日。
“与分子检测相比,我们研究的目标是看看自动机器学习是否可以使用图像处理技术来预测甲状腺结节的遗传风险,”该研究的第一作者、杰斐逊大学四年级医学院学生凯利·丹尼尔斯(Kelly Daniels)说。
“机器学习是一种低成本和高效的工具,可以帮助医生对如何处理不确定的结节做出更快的决定,”他说约翰·艾森布雷博士.他是放射学副教授,也是这项研究的主要作者。“目前还没有人将机器学习应用于甲状腺结节超声遗传风险分层领域。”
研究人员发现,他们的算法具有97%的特异性和90%的预测阳性值,这意味着97%的真正患有良性结节的患者,其超声结果将被算法解读为“良性”,而90%的恶性或“阳性”结节根据算法分类是真正阳性的。高特异性说明低发生率假阳性;这意味着,如果算法将一个结节读取为“恶性”,那么它很可能真的是恶性的。该算法的总体准确率为77.4%。
“这是外科医生和放射科医生之间非常重要的合作,其他机构已经有兴趣共享我们的资源。我们给算法输入的数据越多,我们就会期望它变得越强大、越有预见性。”
“机器学习有很多潜在的应用,”Eisenbrey说。“在未来,我们希望利用特征提取,这将帮助我们识别高危结节的解剖学相关特征。”
虽然是初步研究,但这项研究表明,自动机器学习有望作为一种额外的诊断工具,提高甲状腺癌的诊断效率。一旦它变得更加强大,这种方法可以给医生和患者提供更多的信息,以决定是否有必要切除甲状腺叶。
参考
凯利·丹尼尔斯、Sriharsha Gummadi、朱子银、王朔、耶拿·帕特尔、布莱恩·斯旺德塞德、安德烈·莱什奇克、约瑟夫·库里、伊丽莎白·科特里尔、约翰·埃森布里。https://www.ncbi.nlm.nih.gov/pubmed/31647509”,JAMA Oto。