甲狀腺癌可通過AI光聲或超聲成像診斷

甲狀腺中的腫塊稱為甲狀腺結節，所有甲狀腺結節中有5-10%被診斷為甲狀腺癌。甲狀腺癌預后好、生存率高、復發率低，因此早期診斷和治療至關重要。近日，韓國的一個聯合研究團隊提出了一種新的非侵入性方法，通過將光聲（PA）和超聲圖像技術與人工智能相結合來區分甲狀腺結節和癌癥。

聯合研究團隊由POSTECH電氣工程系、融合IT工程系和機械工程系的ChulhongKim教授和ByulleePark博士，首爾圣瑪麗醫院的Dong-JunLim教授和JeonghoonHa教授組成韓國大學和釜山國立大學的JeesuKim教授進行了一項研究，從惡性和良性結節患者中獲取PA圖像，并用人工智能對其進行分析。認識到它們的重要性，這項研究的結果發表在癌癥研究中。

目前，甲狀腺結節的診斷是通過使用超聲圖像的細針穿刺活檢（FNAB）進行的。但是大約20%的FNAB是不準確的，這會導致重復和不必要的活檢。為了克服這個問題，聯合研究小組探索了使用PA成像來獲得由光產生的超聲波信號。當光（激光）照射在患者的甲狀腺結節上時，甲狀腺和結節會產生稱為PA信號的超聲波信號。通過獲取和處理該信號，收集腺體和結節的PA圖像。這時如果得到多光譜PA信號，就可以計算出甲狀腺和甲狀腺結節的氧飽和度信息。

研究人員針對惡性結節的氧飽和度低于正常結節這一事實，獲取了惡性甲狀腺結節（23例）和良性結節（29例）患者的PA圖像。研究人員對患者的甲狀腺結節進行體內多光譜PA成像，計算了多個參數，包括結節區域的血紅蛋白氧飽和度水平。使用機器學習技術對其進行分析，以成功自動分類甲狀腺結節是惡性還是良性。在起初的分類中，將惡性腫瘤分類為惡性的敏感性為78%，將良性分類為良性的特異性為93%。

在第二次分析中，通過機器學習技術獲得的PA分析結果與基于醫院通常使用的超聲圖像的初始檢查結果相結合。再次證實，可以以83%的靈敏度和93%的特異性區分惡性甲狀腺結節。更進一步，當研究人員在第三次分析中將靈敏度保持在100%時，特異性達到了55%。這比使用常規超聲對甲狀腺結節進行初步檢查的特異性17.3%（靈敏度98%）高出約3倍。

結果，正確診斷良性、非惡性結節的概率增加了三倍以上，這表明可以大大減少過度診斷和不必要的活檢和重復檢查，從而減少過多的醫療費用。POSTECH的ChulhongKim教授說：“這項研究的意義在于，它是第一個使用機器學習獲取甲狀腺結節的光聲圖像并對惡性結節進行分類的研究。”“除了更大限度地減少甲狀腺癌患者不必要的活檢外，這項技術還可以應用于各種其他癌癥，包括乳腺癌。”

“基于光聲成像的超聲波設備，將有助于有效診斷健康檢查中常見的甲狀腺癌并減少活檢數量，”首爾圣瑪麗醫院的Dong-JunLim教授解釋說。“它可以開發成一種醫療設備，可以很容易地用于甲狀腺結節患者。”