EfficientNetB0 模型：甲状腺癌精准诊断与个性化治疗的新希望

研究人员为精准识别甲状腺癌病理亚型，开展 EfficientNetB0 模型相关研究，发现其能有效识别亚型，助力精准诊疗。

　　甲状腺癌是内分泌系统常见的恶性肿瘤，近年来发病率显著上升。虽然总体预后相对较好，但不同病理亚型的甲状腺癌在临床表现、生物学行为上却大相径庭。比如乳头状甲状腺癌（PTC）最为常见，约占 85 - 90%，有着独特的细胞核特征，像核沟和核内假包涵体；而未分化甲状腺癌（ATC）虽然罕见，却是最具侵袭性的类型，病情进展迅速，患者生存期短。

准确区分这些病理亚型对制定个性化治疗方案、提高患者生存率和生活质量至关重要。然而，传统的病理诊断方法存在一定局限性。随着人工智能的飞速发展，深度学习在医学影像分析领域展现出巨大潜力，不过不同深度学习模型在识别甲状腺癌亚型方面的表现还有待进一步验证，且其在分析甲状腺癌肿瘤微环境中的应用也有待挖掘。在此背景下，沈阳医学院附属第二医院普外科以及沈阳医学院附属中心医院病理科的研究人员开展了相关研究，其成果发表在《Diagnostic Pathology》上。

研究人员为了验证 EfficientNetB0 模型在区分甲状腺癌亚型以及识别关键肿瘤微环境特征方面的能力，收集了 118 例甲状腺癌患者的病理组织切片、基因表达数据和蛋白质表达数据，涵盖多种病理亚型。研究用到的主要关键技术方法包括：通过 RNA 提取和 RNA 测序技术（RNA - seq）获取基因表达数据，利用质谱（MS）分析获取蛋白质表达数据；运用 Python 的 Pandas 库对数据进行预处理，包括数据集成、清洗、去重等操作；采用主成分分析（PCA）和线性判别分析（LDA）等方法进行特征选择和降维；选用包括 EfficientNetB0 在内的 10 种 AI 算法模型进行对比研究，利用交叉验证、独立测试数据集等方法评估模型性能。

研究结果如下：

1. AI 模型在甲状腺癌病理亚型识别中的高效表现：对比 10 种 AI 算法模型，EfficientNetB0 模型在准确率、召回率和 F1 分数等关键指标上表现优异，在处理复杂病理图像数据方面优势显著。它能快速区分甲状腺癌和正常甲状腺组织，分类准确率高，假阳性率低，且在多个性能指标上表现出色，验证了其在甲状腺癌诊断中的可靠性和高效性。
2. EfficientNetB0 模型对甲状腺癌四种病理亚型的准确判别：在区分 PTC、滤泡状甲状腺癌（FTC）、髓样甲状腺癌（MTC）和 ATC 这四种关键亚型时，EfficientNetB0 模型表现出色，训练准确率不断提高，特异性强，能有效减少假阳性率，在识别常见亚型如 PTC 和 FTC 时准确率较高。
3. EfficientNetB0 模型在区分甲状腺癌病理亚型微环境特征方面的性能分析：不同甲状腺癌亚型中，肿瘤与免疫细胞的相互作用以及细胞外基质（ECM）成分密度存在差异。PTC 的肿瘤 - 免疫相互作用水平最高，ATC 最低；ATC 的 ECM 成分密度普遍较高，PTC 较低。EfficientNetB0 模型能有效区分这些差异，为研究各亚型的生物学特性提供了方向。
4. 甲状腺癌肿瘤微环境特征与临床进展的相关性：EfficientNetB0 模型识别出的微环境特征，如 PD - L1 表达、免疫细胞浸润和胶原纤维密度等，与甲状腺癌的临床特征、治疗反应和预后显著相关。免疫细胞浸润在治疗反应模型中最为重要，PD - L1 表达在临床进展模型中较为重要，而胶原纤维密度在预后模型中重要性较高，透明质酸密度与预后相关性最高。

研究结论和讨论部分指出，EfficientNetB0 模型在识别甲状腺癌亚型和分析肿瘤微环境特征方面表现出色，为精准诊断和个性化治疗提供了重要依据，有助于医生更好地评估预后、制定治疗策略，特别是在免疫治疗方面，有望改善患者的治疗效果和生活质量。不过，该研究也存在一定局限性，如样本量较小，数据来源仅为附属医院，可能存在选择偏倚，EfficientNetB0 模型在实际临床应用中的稳定性和可靠性还需进一步验证，未来研究应纳入更多临床变量。未来研究可扩大样本量，纳入更多医疗机构的数据，进一步优化和验证 EfficientNetB0 模型，探索其在其他癌症类型中的应用，推动精准医学和个性化癌症治疗的发展。