基于 3D 可视化的深度学习甲状腺结节超声诊断工具，助力精准医疗

为解决甲状腺结节诊断难题，中国科学院智能诊断与治疗中心（台州）研究人员开展 TNVis 研究，显著提升诊断准确性，这项研究成果意义非凡，它不仅显著提高了放射科医生诊断甲状腺结节良恶性的准确性，还紧密模拟了临床诊断流程，为精准和个性化的诊疗方案提供了客观的 3D 结节图像。该研究成果发表于npj Digital Medicine。

　　

甲状腺结节是内分泌系统常见疾病，甲状腺腺细胞异常生长形成结节，发病率高达 68%。多数甲状腺结节为良性且低风险，精准判断其良恶性对避免过度治疗、实施有效治疗极为关键。超声检查是诊断甲状腺结节的首选影像学方法，通过分析结节的组成、形状、边缘等特征来鉴别良恶性。然而在临床诊断中，评估超声特征既耗时又依赖主观判断，高度依赖放射科医生的经验以及超声设备的性能 。

为了攻克这些难题，中国科学院智能诊断与治疗中心（台州）等多家机构的研究人员携手开展研究。他们开发了一种基于深度学习的超声诊断工具 —— 甲状腺结节可视化（TNVis），利用二维（2D）静态超声图像大数据集实现动态超声视频的精确分割，并通过多视图融合对甲状腺结节进行 3D 可视化。这项研究成果意义非凡，它不仅显著提高了放射科医生诊断甲状腺结节良恶性的准确性，还紧密模拟了临床诊断流程，为精准和个性化的诊疗方案提供了客观的 3D 结节图像。该研究成果发表于npj Digital Medicine。

研究人员采用了一系列先进技术方法。在数据方面，这是一项多中心诊断研究，静态超声图像数据集来自浙江肿瘤医院的甲状腺超声成像数据库，动态超声视频数据则收集自 7 个独立中心，涵盖了大量有明确病理结果的甲状腺结节病例。在模型构建上，TNVis 采用两阶段深度学习框架。第一阶段，运用高效强大的 YOLOv8 目标检测模型进行端到端检测，并通过特定策略分别从静态和动态图像中提取感兴趣区域（ROI） ；第二阶段，以 Swin-Unet 网络为骨干进行分割，还开发了后处理模块，通过多视图融合算法实现甲状腺结节的 3D 重建。此外，研究使用了多种评估指标，如用 Dice 相似系数（DSC）评估分割性能，用形状评估指数（MEI）评估结节形态，用受试者工作特征曲线下面积（AUC）评估诊断性能等。

下面来看看具体的研究结果：

• 患者特征：研究共纳入 5228 例病例，包括 2369 例良性结节和 2859 例恶性结节。训练数据集有 4569 例，内部测试数据集有 509 例，外部视频测试数据集有 150 例，详细人口统计数据在文中有展示。

• DL 模型性能：在静态超声图像分割上，TNVis 在几乎所有指标上都优于经典 CNN 模型，其 DSC 值达到 0.90。在动态超声视频分割方面，TNVis 的平均 MEI 低于 0.1，可视化结果更连续、平滑12。

• 放射科医生和 DL 模型的诊断性能：在 TNVis 辅助诊断实验中，随着 TNVis 功能的逐步完善，放射科医生的诊断能力显著提升。初级放射科医生的 AUC 从第一阶段的 0.59 提升到第三阶段的 0.77，高级放射科医生的 AUC 从 0.73 提升到 0.82。借助 TNVis，初级放射科医生的诊断准确性得到大幅提高，甚至能达到与高级放射科医生相当的水平343。

在研究结论与讨论部分，TNVis 展现出诸多优势。与以往主要基于静态超声图像的辅助诊断研究不同，TNVis 基于动态超声视频，更贴合临床实际诊断场景，显著提高了诊断的准确性和实用性。在与其他模型的对比中，TNVis 在捕捉静态超声图像特征和处理动态超声视频方面都表现出色。不过，该研究也存在一些局限，比如训练和测试数据集存在良恶性结节病例数量不平衡的问题，可能影响模型对良恶性结节分割的准确性；TNVis 系统功能还不够强大，在复杂手术场景中，3D 重建可能无法准确捕捉结节边缘，限制了其在手术中的应用。

尽管如此，TNVis 系统通过两阶段深度学习框架，显著提高了放射科医生诊断甲状腺结节的准确性，为甲状腺结节的 3D 可视化诊断奠定了坚实基础。未来研究将进一步验证 TNVis 在多种疾病数据集上的有效性，拓展其通用性；还会融入新的特征预测功能，如深度学习分类预测和风险分层预测，提供更全面的诊断辅助；同时采用去噪算法优化图像质量，探索其在术中手术指导等更复杂临床场景中的应用可行性。相信 TNVis 在未来临床实践中，将为甲状腺结节的诊断和治疗带来更多突破和帮助，推动精准医疗的发展。