人工智能在甲状腺及甲状旁腺疾病外科诊疗中的研究进展2025

人工智能在甲状腺及甲状旁腺疾病外科诊疗中的研究进展2025近年来人工智能技术正在赋能各个行业，引领产着眼于人工智能在甲状腺及甲状旁腺疾病外科方面的研究和应用进展，并探讨未来的发展在赋能各个行业，引领产业升级。人工智能在医航定位等方面的进步，正在为整个医学带来革及甲状旁腺疾病外科诊疗中的应用，着重阐述基统在术前评估、术中辅助决策和术后预测预后等方面的研究和应用进展，(一)基于超声的甲状腺结节术前诊断超声检查作为一种无创、方便、经甲状腺结节的性质和种类进行更精准的诊断。Li等[1]利用DCNN框架进行了一个回顾性多队列诊断性研究，收集了17627例甲状腺癌患者的131731张超声图像和25325例对照的180668张超声图像，建立DCNN模型并进行训练。该模型在内部验证集、外部验证集1和2的工作特征曲线下面积(AUC)分别为0.947、0.912和0.908。与熟练的超甲状腺结节检测模型TNet,回顾性分析719张甲状腺图像，TNet平均准确率为86.5%。Wang等[3]利用YOLOv2神经网络，建立自动超声图像识别与诊断系统。收集并标记了来自276例患者2450个良性甲状腺结节和2557个恶性甲状腺结节的图像，准确率为90.31%。Wang等[4]构建了ITS100动态人工智能超声诊断系统，回顾性分析607例患者的1007个甲状腺结节的超声资料，准确率为89.97%。Zhang等[5]采用随机森林算法构建模型，收集2064个甲状腺结节超声资料，发现其诊断效能优于单纯常规超声(AUC:0.924比0.834)。Zhang等6]提出了一种基于半监督图卷积网络的域适应框架，共收集1498例患者的数据，包括12108张在3种不同超声设备下的甲状腺声像，在多源域适应任务中的准确率为0.8829。Chi等[7]基于GoogLeNet模型构建甲状腺，对于开放获取数据库中的图像，其分类准确率为98.29%。Song等[8]基于Inception-V3模型，利用ImageNet数据库对模型进行预训练，在内部测试集(n=55)中灵敏度为95.2%,外部测试集(n=100)中灵敏度为94.0%。除此以外，弹性成像技术(SWE)能提供甲状腺癌结节硬度信息，加入SWE后机器学习辅助诊断模型的诊断效能优于单独超声，在测试集中(AUC:0.953比0.917),将不必要细针穿刺活检(FNA)率从37.7%下降到4.7%[9]。甲状腺滤泡状腺瘤和甲状腺滤泡癌的鉴别验。而人工智能模型虽然学习能力上和人类大脑经验(尤其是一些罕见情况的经验)上较人类大脑有显著优势。尤其在常性分析607例患者共699个甲状腺结节，其中恶性结节168个。该模型准确率可达到0.71,优于经验丰富的超声科医师。目前已经有多种商业化AmCAD-UT®Detection是首个利用超声诊断甲状腺结节的商业化系统，在300个甲状腺结节的外部验证研究中，其显示出与超声科医师相似的敏感性，但特异性(68.8%比91.2%)较低[11]。由浙江大学团队开发的德尚韵兴DEMETICS®甲状腺结节良恶性的辅助诊断系统也成功进行了商业化，敏感性达到95%,特异性达到85%。还有S-Detect等模型，在此不一一赘述[12]。(二)基于FNA病理图片的人工智能诊断模型率和准确度。Hirokawa等[13]利用EfficientNetV2-L17模型对甲状腺结节进行分类。收集了包括393例患者的148395张甲状腺FNA图像，除了甲状腺低分化癌精确召回率曲线下面积(PRAUC)为0.49,甲状腺髓样癌PRAUC为0.91,其他肿瘤类别的PRAUC为0.95。其中滤泡性腺瘤和滤泡癌的召回率分别为86.7%和93.9%。ElliottRange等 [14]利用CNN算法设计了两种预测甲状腺恶性结节模型。一种用于识在测试集中该模型的灵敏度和特异度分别为92.0%和90.5%。Gopinath和Shanthi[15]综合了4种机器学习算法，构建了甲状腺结节良恶性分类模型，其中2种模型的准确率为90%。Radebe等[16]在67例患声以及人口学统计学资料，该模型将准确率提高了11.90%。Dov等[17]利用CNN模型构建了基于FNA的甲状腺结节良恶性筛查模型，总共纳入908个FNA数据，该模型的诊断结果与病理学家的诊断结果基本一致。相结合，利用机器学习算法构建甲状腺结节分类模型，共纳入124例患者的1535个甲状腺细胞簇，FNA图像、RI图像及两者联合使用的机器学习分类模型的准确率分别为98.0%、98.0%和100%。而对于滤泡性肿瘤，利用ANN模型构建基于FNA的滤泡性肿瘤早诊模型，收集了训练集39例、验证集和测试集各9例的FNA图片，在测试集中，ANN模型成功区(三)基于CT的甲状腺结节分类模型基于CT图像的人工智能分析技术已相当成熟。Zhang等[20]利用CNN网络建立了基于CT图像的甲状腺疾病的多类分类模型，准确率为0.909、精密度为0.944、召回率为0.896、特异度为0.994。由于CT图像信息更容易构建3D模型，未来人工智能或可根据CT表现对病变良恶性进行预测；自动识别甲状腺肿瘤区域并分割其范围，判断局部组织浸润情况；三维数字化模型，显示肿瘤与重要血管、神经(四)转移情况淋巴结转移风险，指导术中淋巴结清扫策略，是甲状腺外科面临的难题。转移(CLNM)的人工智能模型，纳入了3359例甲状腺乳头状癌(PTC)患者的超声和临床信息资料，此模型在训练组中AUC为0.812,在内部及外部验证组分别为0.809和0.829。Li等[22]利用多种算法建立以CT图像为基础的CLNM预测影像组学模型，收集678例PTC患者的临床资料，从每例患者术前的平扫和增强CT图像中提取影像组学特征，该预测模型的灵敏度和准确度均优于经验丰富的放射科医师。Feng等[23]回顾性分析1236例行甲状腺切除术的临床资料，采用8种机器学习算法对侧颈淋巴结转移(LLNM)进行风险预测，在8种机器学习算法中，随机森林的AUC最高(0.975),灵敏度和特异度分别为0.903和0.959。Lai等[24]收集了1815例甲状腺癌患者[其中1135例(62.53%)发生LLNM]的临床资料，利用6种成熟的机器学习算法进行建模，其中最佳算法为随机森林算法，AUC能达到0.80,准确度为0.74。Liu等[25]回顾性分析了Surveillance,Epidemiology,andEndResults数据库 (SEER)中17138例患者[166例发生骨转移(0.97%)]的临床病理测准确度0.904。(五)甲状旁腺腺瘤的筛查术前影像学检查定位病变甲状旁腺是甲状旁腺切除术的前提。Sandqvist等[26]建立了以99mTc-Sestamibi-SPECT/CT图像为基础的模型，对病变甲状旁腺的术前定位进行了机器学习，该研究纳入了349例接受甲状旁腺切除术、病理证实为甲状旁腺腺瘤、术后6个月血钙恢复正常的患者，其中单腺体病变(SGD)患者占93%(324/349),多腺体病变(MGD)患者占7% (25/349),以决策树算法为基础构建模型，在交叉验证时，此模型的总体准确度为90%,对MGD患者的真阳性预测率为72%。Apostolopoulos等[27]构建了名为ParaNet的CNN模型，通过对MIBI不同期相信息和TcO4甲状腺扫描图像同时进行分析，从而对异常旁腺(aPG)和正常旁腺(nPG)进行初步鉴别，ParaNet在区分aPG和nPG扫描的准确率最高达到96.56%。其敏感性和特异性分别为96.38%和97.02%。(六)见的并发症。Seib等[28]基于SuperLearner算法构建甲状腺手术并发症预测模型。收集17987例甲状腺手术患者数据，其中喉返神经损伤、出院前或术后30d内低钙血症和颈部血肿的发生率分别为6.1%、6.4%、9.0%和1.8%。对于术后低钙血症，该模型将接受者操作特征曲线下面积 (AUROC)从0.70提高至0.72。(一)喉返神经识别喉返神经是甲状腺及甲状旁腺手术中的重点保护结构。Gong等[29]利用130例患者的277张图像，通过语义分割算法开发了在开放甲状腺手术场景下喉返神经识别和术中导航的深度学件(近距离和中等光照)下获得了较强的分割性能，平均dice相似系数为0.707,这项工作为将可移动的智能工具集成到手术中改善手术流程提供了可能。在经胸乳腔镜甲状腺手术的应用场景个视频共153520帧图片纳入研究。以D-Linknet模型为基础建立机器学习模型。在高辨识度组中，灵敏度及精确率分别为92.9%/72.8%及85.8%/67.2%,而在低辨识度组中则分别为47.6%/54.9%及37.6%/43.5%[30]。在经腋窝腔镜甲状腺手术应用场景中，笔者的研究中纳入了38个视频中累计35501帧图像，采用PSPNet的语义分割模型进行训练，当IOU阈值设为0.1时，模型在高、中、低辨识度组中的灵敏度和精确率分别达到了100.0%/92.1%、95.8%/80.2%及81.0%/80.6%;而当IOU阈值提高到0.5时(代表有效定位喉返神经),灵敏度和精确率则分别为92.6%/85.3%、71.7%/60.5%及(二)甲状旁腺识别甲状旁腺功能减退是甲状腺全切除术后最常见的并发症之一。Wang等[32]开发了腔镜甲状腺手术中甲状旁腺实时识别模型，共纳入166个腔镜甲状腺切除术视频中的1700张甲状旁腺图像，使用多种机器学习算机器学习模型、高年资和低年资医师的甲状旁腺识别率分别为96.9%、87.5%和71.9%。利用人工智能模型进行近红外图像的甲状旁腺自发荧光的识别也具有重大临床意义。Avci等[33]利用来自197例甲状腺和(或)甲状旁腺切除术患者共466张术中近红外图像，基于Google'sAutoMLsystem构建深度学习模型。最终在测试集中此模型的总体召回率和精确率分别为90.5%和95.7%。(三)术中冰冻切片预测PTC患者淋巴结转移甲状腺癌手术中常进行中而，冰冻切片检查淋巴结的敏感度约为50%~60%,存在一定的假阴性率。Liu等[34]开发了一种应用于术中冰冻切片预测PTC患者淋巴结转移的深度学习模型(ThyNet-LNM),使用1120例患者的1987份术中冰冻切片图像进行训练。在独立的内部测试集(来自280例患者的479个冰冻切片)和三个外部测试集(来自692例患者的1335个冰冻切片)或两者联合。397例临床淋巴结阴性(cNO)患者经ThyNet-LNM后，不必要的淋巴结清扫率由56.4%降至14.9%。来源的3060例分化型甲状腺癌远处转移患者的临床特征资料，以XGB算法为基础，使用9个变量(诊断时的年龄、性别、种族、肿瘤大小、组织学类型、区域淋巴结转移、原发部位手术、放疗和化疗)建立了机器学习预测模型，该模型在测试集中的AUC为0.864。Park和Lee[36]纳的准确性均≥90%。Mourad等[37]利用癌患者临床特征，将多层感知器(MLP)神经网络和特征选择算法相结合构建生存期预测模型，准确率可达到94.49%。(二)术后语音恢复预测甲状腺术后患者出现语音不良问题的情况很常用术前和术后语音谱图来预测患者3个月后的嗓音恢复情况，回顾性收集114例接受手术治疗的甲状腺癌患者的嗓音及GRBAS评分，该模型对于GRBAS系统5个评分的平均AUC值为0.822。(三)术后131I显像检测甲状腺组织及淋巴结残留切除后全身放射性核素扫描(RxWBSs)可以显示PTC切除术后残余摄碘转移淋巴结，并有助于准确分期。然而，严重的噪声伪影、解剖等[39]分析了230例行甲状腺全切除+放射性碘治疗的PTC患者的临床资料，利用多层全连接网络(MFDN)构建转移淋巴结和甲状腺残余组织的自动识别模型。该模型对转移性淋巴结的识别准确率可达到84.7%~85.3%,对甲状腺残余组织的识别准确率可达到95.9%~96.0%。的发展。相较于工业革命(蒸汽机、内燃机、电动机)将人类从繁重、重解放出来。在医学领域的应用逐渐受到关注，其领域中的应用也取得了一些突破性进展。首先经验和视觉判断，存在一定的主观性和不确定