人工智能时代下甲状腺结节诊治的发展完整版

人工智能时代下甲状腺结节诊治的发展完整版近年来，甲状腺癌的发病率逐年升高，国家癌症中心发布的2022年数据显示甲状腺癌已成为国内增长最快的恶性肿瘤，已上升至女性恶性肿瘤发病率的第3位[1]。10余年来，面对甲状腺癌发病率的明显上升，中国甲状腺外科专家团队加快了探索的步伐，通过不断努力，实现了甲状腺外科诊治体系突飞猛进的全面发展[2]。尽管各种新理念、新技术的全面开展已经为中国甲状腺结节的诊治带来了前所未有的变革，但随着人工智能（artificialintelligence，AI）技术的迅猛发展，甲状腺结节的诊治模式正在发生深刻变革。AI技术通过高效处理海量数据、提供精准分析和个性化建议，显著提升了甲状腺癌的早期筛查、术前评估、手术导航、手术方式选择、术后管理等环节的水平，为实现“精准医疗、智慧医疗”注入了新活力。尽管AI技术尚未完全取代传统医学实践，但它正在重新定义甲状腺结节治疗的标准和方向。本文旨在介绍AI时代下甲状腺结节诊治的最新进展，为推动AI与其更深层次的融合发展及研究开拓思路。1术前诊断：让“看不清”的结节无所遁形1.1

超声诊断升级：AI可自动识别结节形态、血流、钙化等特征进行良恶性诊断目前，超声是筛查甲状腺结节并对其进行良、恶性风险分层的首选方法。2017年美国放射协会（AmericanCollegeofRadiology，ACR）发布了甲状腺影像报告和数据系统（thyroidimagingreportinganddatasystem，TI-RADS）分类诊断标准指南，通过评估甲状腺结节的相关情况进行风险分级[3]。但由于超声诊断准确性易受操作者的主观经验、仪器分辨率等硬件设备影响，故如何准确鉴别甲状腺结节的良恶性并降低甲状腺癌的误诊、漏诊率十分必要。近年来，AI通过对海量超声图像数据的深度学习和模式识别，可自动提取结节的形态特征、血流信号以及钙化程度，从而实现对良恶性结节的准确区分。笔者团队使用静态AI及动态AI进行甲状腺结节良恶性诊断，两者准确率均接近90%[4-5]，为复杂病例的术前评估提供了可靠依据。1.2

病理切片秒读：AI技术实现快速、精准的组织病理学分析甲状腺结节的最终诊断通常依赖于病理切片后的组织病理学分析，但传统的病理诊断过程耗时较长，且存在一定主观性。AI技术通过对全标本图像的高效分析，可以快速提取关键特征（如细胞排列、细胞核形态、免疫表型等），辅助医生进行更精准的诊断。Wang等自主研发了名为ThyroPower的深度学习模型在TheLancetDigitalHealth发表，该模型能够快速、稳定地进行甲状腺细胞学病理诊断，其准确率达96.8%，可有效提高细胞病理医师的诊断效率[6]。这一技术显著缩短了甲状腺结节诊疗过程的时间，同时在资源匮乏地区，AI可提供初步筛查结果，降低漏诊率。1.3

基因研究助力标志物开发：AI推动精准筛查和治疗目标探索除了直接应用于影像分析，AI技术还被用于基因组数据的挖掘与分析。通过对大量甲状腺结节样本的整合研究，AI模型能够识别出与肿瘤发生、进展相关的关键基因和标志物。Hu等[7]开发的基于机器学习的算法可以从多个公共数据库中筛选出与甲状腺滤泡癌相关的差异表达基因，为新治疗靶点的开发提供依据。2GPS导航：AI技术助力精准手术2.1

神经实时追踪：AI实现术中神经保护在甲状腺外科手术中，喉返神经保护是关键。传统方法依赖于手术医生对神经结构的掌握，而AI技术通过建立机器学习模型，可以实时追踪术中神经状况。花苏榕等[8-9]收集喉返神经视频、图片构建机器学习模型，在经胸乳和经腋窝入路腔镜甲状腺手术中识别喉返神经，2组研究中的灵敏度及准确率均具有较好的识别能力。基于深度学习的AI系统可以动态识别喉返神经的位置及其状态，并在手术过程中提供实时反馈。这一技术显著降低了喉返神经损伤的发生率，尤其是在复杂病例、二次手术病例中具有重要价值。2.2

甲状旁腺识别：AI辅助实现甲状旁腺精准识别甲状旁腺功能减退是甲状腺术后最常见的并发症之一。近年来，近红外自体荧光显像（near-infraredautofluorescenceimaging，NIRAF）技术发展迅速，在术中辅助甲状旁腺识别方面展现出了优势，笔者团队在国内首批成功应用该项技术实施甲状腺癌根治手术，取得了良好的临床效果[10]。随着AI技术不断发展，AI结合NIRAF可辅助识别甲状旁腺特异性自发荧光信号，有效缩短了手术医生的学习曲线并提高了识别效率。2022年Avci等[11]利用AI与NIRAF结合识别甲状旁腺，采用Google’sAutoMLsystem构建机器学习模型，对466张术中图像进行训练，在测试集中显示出90.5%的总体召回率和95.7%的准确率。在腔镜甲状腺手术中，Wang等[12]将166个腔镜甲状腺手术视频中的1700张甲状旁腺图像纳入研究构建机器学习模型，发现AI机器学习模型的甲状旁腺识别率为96.9%，明显高于高年资医师的87.5%和低年资医师的71.9%。2.3

淋巴结转移预判：AI预测淋巴结转移概率甲状腺癌的复发转移与淋巴结转移个数、比例、位置密切相关。如何准确预测淋巴结转移风险，指导术中淋巴结清扫范围，是甲状腺外科面临的难题。目前，AI技术可以通过分析患者的影像资料、基因数据以及免疫标志物水平，预测肿瘤对特定淋巴结群的转移风险。Yao等[13]的多中心研究从48969例行中央淋巴结清扫的患者中收集了88796张超声图像，以此构建机器学习模型ACE-Net，发现当淋巴结边缘与甲状腺包膜的最小距离小于1.25mm时，转移的可能性超过80%，从而减少了37.9%的非必须清扫，并且不会遗漏阳性病例，为临床决策提供了有力的证据。3手术方式：向“精细化、微创化、多样化”发展近年来，甲状腺手术领域迎来了前所未有的技术革新，手术方式正朝着“精细化、微创化、多样化”的方向快速发展。随着医疗技术的进步和患者对美观、康复质量要求的提高，传统开放手术逐渐被更先进的微创技术所替代。手术设备不断更新，术式选择更加灵活，5G通信技术的成熟也为远程手术提供了可能。2024年8月，笔者团队[14]成功完成世界首例远程机器人辅助甲状腺癌根治手术（国内查新报告编号：202411A1310001012，国外查新报告编号：202411A1310004014）[14]，通过远程操控机器人手术系统为患者实施高精度的甲状腺手术，标志着“互联网+外科手术”模式已经开始迈入甲状腺外科领域。与开放手术相比，腔镜机器人手术切口小且隐蔽，具有更好的美容效果。同时，该系统拥有高清放大镜头，能呈现出清晰完整的手术画面并用于AI识别。因此，越来越多的学者尝试利用AI辅助识别甲状腺手术中的重要组织结构。Lee等[15]使用甲状腺癌患者术前的CT影像创建甲状腺及周围组织解剖结构的增强现实（augmentedreality，AR）图像，并与机器人甲状腺手术的实时手术图像叠加使用，结果能够有效提升手术效率。随后，该团队进一步建立基于视觉的AR实时跟踪系统，该系统有助于术中识别隐匿的甲状腺局部解剖结构，降低年轻医生的学习曲线。未来，随着5G通信技术的普及以及虚拟现实和AR技术的结合，机器人及远程甲状腺手术的精准度和普及度将进一步提升。4

术后管理：AI技术助力个性化康复4.1

恢复指导：AI为患者术后康复制策甲状腺术后的康复及治疗是甲状腺癌诊治体系中的关键阶段。AI技术通过分析患者的术后身体情况及心理因素，为甲状腺癌术后患者提供个性化的术后治疗、护理、康复建议。Lee等[16]收集了114例甲状腺术后出现声音嘶哑患者的术前、术后语音谱图及GRBAS评分，利用机器预测模型，预测患者3个月后的嗓音恢复情况。该模型对于GRBAS系统5个评分的平均AUC值为0.822，有较好的预测效果，为术后嗓音康复提供了参考依据。Seib等[17]根据患者生活质量问卷、社会人口统计学、临床特征等数据构建预测模型，发现甲状腺癌患者的生活质量在术后3个月内较术前明显下降（AUC：0.89），通过预测，医护人员可以在合适的时间段内及时干预，确保患者的生活质量。4.2

复发预警：AI技术实现早期发现并及时干预Yang等[18]、Mao等[19]使用患者的年龄、肿瘤大小、淋巴结转移等临床病理学特征构建机器预测模型，以此预测甲状腺癌的分期，其预测准确度与美国癌症联合委员会（AmericanJointCommitteeonCancer，AJCC）第8版指南中的甲状腺分期相似（AUC：0.85～0.98）。Kim等[20]、Park等[21]使用临床病理学、生化指标和分子数据构建机器预测模型，预测甲状腺癌复发风险的准确率为95.7%。同时，Kim等[20]通过使用促甲状腺激素（thyroidstimulatinghormone，TSH）抑制治疗、131碘治疗等全身治疗数据预测晚期甲状腺癌患者手术后远处转移的生存率。4.3

定期监测：AI推动远程医疗应用在术后长期监测阶段，AI技术可以为患者提供更高效的管理方式，帮助甲状腺外科医生随时、随地与患者进行会诊沟通，调整治疗方案[22]。例如，基于大数据的AI系统可以分析患者的各项生理指标（如血清甲状腺激素、TSH水平），以及超声、CT等影像资料，实时监测肿瘤复发的风险。此外，远程医疗平台结合AI技术，使得患者能够在家中完成病情监测，并与医生进行即时沟通，从而提高了治疗效果。5

未来展望：AI技术推动甲状腺医学的创新发展随着医学进入数字创新时代，AI已逐渐融入到甲状腺的相关研究和日常临床实践中，但在融入过程中，仍存在着挑战：首先，关于AI模型的费用、伦理、法律等基础问题亟待完善。其次，在数据集训练方面，由于各中心执行标准不一，高质量标准化数据集的收集与记录难度较大，无法进一步整合。最后，甲状腺周围解剖结构复杂，重要解剖结构存在变异，手术方式多样，AI如何对术中数据进行实时处理和动态调整是亟需解决的难题。因此，我们要不断推动技术创新，加强跨学科合作，促进甲状腺学科与AI的深度融合。首先，在技术研发方面应积极合作，与全国甚至全球的顶尖科研团队共同开展研究项目。这不仅有助于引进先进技术，还能提高我国在甲状腺学科的国际竞争力。其次，以甲状腺外科为主导，建立甲状腺疾病诊治的多中心AI平台，将AI技术与医疗机构的资源紧密结合。通过整合各大医院的数据和案例，建设一个可以持续优化诊疗方案的平台。最后，AI技术的应用必须以“人”为中心，关注临床医生和患者在诊疗过程中的感受，从信息呈现方式到就医流程设计，均需要考虑临床医生和患者的易用性和满意度