费城-甲状腺结节是在甲状腺内形成的小团块，在普通人群中非常普遍，患病率高达67%。绝大多数甲状腺结节无癌，不会引起任何症状。但是，目前在不确定癌症风险时如何处理结节的指导原则有限。悉尼·金梅尔癌症中心(Sidney Kimmel Cancer Center)的一项新研究-杰斐逊健康(Jefferson Health)调查了超声成像的非侵入性方法与Google平台机器学习算法的结合是否可以用作甲状腺癌的快速且廉价的第一筛查方法。

托马斯·杰斐逊大学耳鼻喉科医师，这项研究的临床负责人伊丽莎白·科特里尔说：“目前，超声波可以告诉我们结节看起来是否可疑，然后就决定是否进行穿刺活检。”“但是细针穿刺活检只是一个窥视孔，它们并不能告诉我们全部情况。结果，有些活检返回了结节是否为恶性或癌性的不确定性结果。”

如果检查穿刺活检的细胞尚无定论，则可以通过分子诊断进一步检测样品以确定恶性肿瘤的风险。这些测试寻找与恶性甲状腺癌相关的某些突变或分子标记物的存在。当结节针对高危标志物或突变测试呈阳性时，可通过手术切除甲状腺。但是，何时使用分子检测的标准仍在制定中，并且尚未在所有实践环境中都提供该检测，尤其是在较小的社区医院。

为了提高超声一线诊断的预测能力，Jefferson研究人员研究了Google开发的机器学习或人工智能模型。这些应用程序正在其他领域中使用：Urban Outfitters等零售业巨头使用机器学习来帮助对其许多产品进行分类，从而使消费者更容易找到他们感兴趣的商品。迪士尼根据其特定的商品对产品进行注释。人物或电影。在这种情况下，研究人员将机器学习算法应用于患者甲状腺结节的超声图像，以查看它是否可以识别出不同的模式。该研究于10月24日发表在JAMA-Oto。

“我们的研究目标是，与分子测试相比，自动化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，”杰斐逊大学医学院四年级学生，凯瑟琳·丹尼尔斯(Kelly Daniels)说。研究。

研究人员在121位接受超声引导的细针穿刺活检并随后进行分子检测的患者的图像上对该算法进行了训练。根据分子测试中使用的一组基因，在总共134个病变中，有43个结节被归类为高危，而91个被归类为低危。使用具有已知风险分类的一组初步图像来训练模型或算法。该算法从这组标记图像中利用机器学习技术来分别选择与高风险结节和低风险结节相关的模式。它使用这些模式形成自己的内部参数集，这些内部参数可用于对将来的图像集进行排序。它本质上是“接受”了这项新任务的训练。

放射学副教授，该研究的主要作者约翰·艾森伯雷(John Eisenbrey)博士说：“机器学习是一种低成本，高效的工具，可以帮助医生更快地决定如何处理不确定的结节。”“在超声对甲状腺结节的遗传风险分层中，没有人使用过机器学习。”

研究人员发现，他们的算法以97%的特异性和90%的预测阳性值执行，这意味着该算法真正有良性结节的患者97%将其超声读为“良性”，而恶性或“阳性”的患者为90%按照算法分类，结核是真正阳性的。高特异性表明假阳性率低;这意味着，如果算法将结节读取为“恶性”，则很可能确实是恶性的。该算法的整体准确性为77.4%。

Cottril博士说：“这是外科医生和放射科医生之间的重要合作，其他机构也已经开始集中我们的资源。我们提供的数据越多，我们期望它就会变得越强大和更具预测性。”