引 言
近日,在第44屆歐洲甲狀腺協會年會(ETA2021)上,來自義大利翁貝託一世綜合醫院轉化與精準醫學系的
Giorgio Grani博士
帶來主題為“
甲狀腺結節分類的知識驅動機器學習方法
”的精彩演講。
甲狀腺結節超聲診斷尚存未滿足的需求
甲狀腺結節是常見的甲狀腺疾病之一。目前,影像學檢查在甲狀腺結節的鑑別診斷中的作用愈發重要。超聲檢查是診斷和鑑別甲狀腺結節最常用的方法,該方法安全、方便、無創,與計算機斷層掃描(CT)和磁共振成像(MRI)等技術相比,其能夠更好地區分甲狀腺結節的良惡性,從而促進早期診斷和患者的治療選擇。超聲引導下細針穿刺細胞學檢查(FNA)可以進一步明確甲狀腺結節的性質,而患者是否需要進行穿刺活檢主要是結合甲狀腺結節的大小和超聲表現來評估,患者的細胞學報告通常由其他輔助技術完成;此外,國內外指南一致建議儘量減少不必要的甲狀腺手術。
Giorgio Grani博士談到,甲狀腺結節的超聲診斷尚存一些未被滿足的需求。Persichetti A 等人的一項研究表明,在評估甲狀腺結節的超聲特徵方面,採用美國報告和分類系統的觀察者內的可重複性高,但是不同中心之間的觀察者間的一致性低於單中心試驗評估的結果,並且美國觀察者在甲狀腺結節的報告和評估能力方面的表現也不一致。研究者認為,甲狀腺超聲特徵的統一描述、簡化分類方法以及專門開展甲狀腺超聲結果描述的培訓可能會增加觀察者的認同度和美國分類系統在現實世界實踐中的預測價值。Giorgio Grani博士所在團隊的一項研究發現,國際上認可的超聲風險分層系統在減少不必要的甲狀腺結節 FNA 數量方面存在很大差異。美國放射學會 (ACR)甲狀腺結節超聲分級(TIRADS )的表現優於其他方法,假陰性率 (FNR)僅為2。2%。其團隊的另一項研究表明,濾泡性甲狀腺癌不易鑑別,僅憑藉超聲檢查常難以診斷。
為了充分發揮超聲影象的優勢,業內學者將計算機輔助診斷(CAD)系統與超聲技術相結合,以進一步幫助臨床醫師更加精準地診斷甲狀腺結節。CAD診斷系統通常遵循既定的階段,包括影象預處理(如噪聲去除、影象重建)、感興趣區域特徵提取以及影象分類。近幾年由於機器學習的快速發展,研究大多放在
甲狀腺結節的分類上
。
機器學習——助力甲狀腺結節鑑別診斷
Giorgio Grani博士在會上重點介紹了其所在團隊的一項最新研究,該研究旨在開發一款新的端到端知識驅動的甲狀腺結節分類框架(重點集中在甲狀腺超聲檢查方面),使之成為能夠助力臨床的CAD系統。
研究者回顧性收集了230名經組織學或細胞學診斷的甲狀腺結節患者的資料,資料由678張透過DICOM格式儲存的未標記灰度超聲影象組成,並裁剪為440×440大小,以保留甲狀腺。此外,每個影象都有一個相關的TI-RADS分類,以區分結節的良惡性。
學習過程
如圖1所示,透過專家諮詢(EC)提出的知識驅動學習(KDL)框架可以分為三個部分:
(1)資料增強和多模態特徵融合階段,其中生成細緻豐富的結節影象;
(2)一個EC模組,基於整合疊加技術,其中預訓練的深度神經網路經過精細調整;
(3)KDL單元,ECCUE在其訓練期間最有可能被用來指導獨立的卷積網路。
圖1:透過EC框架架構的KDL
資料增強
研究者透過對每個甲狀腺結節應用BPandDWT演算法來實現資料增強,一種原始多模態特徵融合影象,則是透過沿通道軸將影象及其對應的LBD和DWG進行處理而獲得(圖2)。
圖2:資料增強示例 (a)原始超聲影象 ,(b)和(c)分別顯示透過LBP和DWT分析的相同結節
定性評估
為了進一步分析總結KDL-EC模型,研究者還使用EGRAD cam演算法對Aqualitative測試進行了操作,該演算法為網路決策提供了視覺化規劃。此定性評估的輸入樣本、標記版本以及結果如圖3所示。
圖3:KDL-EC-7 DenseNet的梯度-凸輪定性研究比較:,上排為良性結節,中下排為惡性結節
診斷效能
如表1所示,KDL-EC模型診斷甲狀腺結節準確度高達95。11%,靈敏度高達96。22%,特異性為93。09%;提示KDL-EC模型用於甲狀腺結節的診斷是可行的(表1)。
表1:最先進的方法效能比較
Giorgio Grani博士談到,機器學習尚存一些問題有待未來深入研究。在技術方面,不同的裝置和探針可能產生不同的資料格式。在臨床方面,資料集可能存在不充分或者缺失的情況;有些資料雖然被醫生含蓄地考慮,但並沒有包括在資料集中,這也可能對機器學習模型的效能產生負面影響。另一個問題涉及機器學習演算法的性質,這些演算法通常被稱為“黑匣子”,存在虛假相關性的風險。
最後,Giorgio Grani博士總結道,
研究表明新開發的KDL-EC模型的效能至少可以與其他目前最先進的方法相媲美,其對甲狀腺結節的良惡性具有良好的識別功能,且無需人工分割或興趣區域選擇。
未來,還需進行獨立佇列和組織學為金標準的佇列的驗證,並探索其在豐富的髓質和濾泡型甲狀腺癌中的診斷效能,以及嘗試在“特徵再融合步驟”中使用彈性影象、對比度增強超聲和多普勒影象。