深度学习模型：基于超声影像精准预测甲状腺乳头状癌 BRAFV600E突变，助力临床决策

甲状腺癌发病率上升，BRAFV600E突变检测对甲状腺乳头状癌（PTC）患者治疗决策和预后预测意义重大，但现有检测方法存在缺陷。研究人员开发 BrafSwinT 模型预测 BRAFV600E突变，其性能优异，有助于 PTC 风险分层和治疗决策。

　　在医疗领域，甲状腺癌就像一颗悄然 “崛起” 的健康 “暗雷”。随着高分辨率超声技术的飞速发展，以及人们健康意识的不断提高，从 1990 年到 2019 年，全球甲状腺癌的发病率近乎增长了两倍。对于甲状腺癌患者来说，精准的治疗方案选择至关重要。高风险患者往往需要更积极的治疗手段，像单侧或双侧甲状腺切除术，还可能要搭配淋巴结清扫、放射性碘治疗以及靶向药物治疗；而低风险患者或许更适合密切监测，或者采用热消融这样的微创治疗方式。要是治疗方案选择不当，不仅浪费医疗资源，还可能延误患者病情。

在甲状腺乳头状癌（PTC）的治疗中，BRAF^V600E突变检测就像是一把关键的 “钥匙”，能帮助医生更好地预测患者的预后情况。在高加索人群中，PTC 患者 BRAF^V600E突变的比例约为 40% - 50%，而在亚洲人群里，这一比例更是高达 72% - 81%。携带 BRAF^V600E突变的 PTC 患者，病情更容易复发，对放射性碘治疗的敏感度也较低。不过，BRAF 抑制剂为那些多次复发或出现远处转移的患者带来了新的希望。但这类患者还面临一个棘手的问题，就是更容易出现淋巴结转移，即便在临床检查中没有发现淋巴结异常，这就给主动监测和微创治疗带来了很大的困扰。所以，准确检测 BRAF^V600E突变，对 PTC 患者的治疗决策和预后判断意义非凡。

然而，目前检测 BRAF^V600E突变的方法却不尽如人意。无论是依靠手术或细针穿刺获取标本，再通过桑格测序、扩增阻滞突变系统 - 定量聚合酶链反应，还是下一代测序技术进行检测，都耗时又费钱。而且，细针穿刺标本检测的准确性，很大程度上依赖操作人员的技术水平，以及病变的同质性。因此，开发一种简单、无创的检测方法迫在眉睫。

为了解决这些难题，中山大学肿瘤防治中心等机构的研究人员挺身而出，开展了一项极具意义的研究。他们致力于开发一种基于超声影像的深度学习模型，来精准判断 PTC 患者的 BRAF^V600E突变状态。这项研究成果发表在《iScience》杂志上，为甲状腺癌的诊疗带来了新的曙光。

研究人员在开展这项研究时，运用了多种关键技术方法。他们收集了来自三个中心的 PTC 患者数据，构建了训练集（1341 例患者）、验证集（148 例患者）和外部测试集（135 例患者）。在模型构建方面，对 ResNeSt - 50、Vision Transformer 和 Swin Transformer V2（SwinT）等模型进行性能测试后，选定 SwinT 作为最优骨干网络。在此基础上，将其与放射组学特征分支和临床参数分支相结合，构建出集成模型 BrafSwinT。同时，利用多种数据增强技术对数据进行预处理，以提高模型性能。

下面来看看具体的研究结果：

• 基线特征：研究涉及的三个队列在 BRAF^V600E突变百分比上没有显著差异，但训练集的结节大小比验证集和外部测试集更大。这一发现为后续的研究提供了重要的基础信息，让研究人员在分析模型性能时，能够考虑到这些基线特征的影响。
• 候选骨干模型的性能：在判断 PTC 中 BRAF^V600E突变方面，SwinT 模型表现出色，其在验证集和外部测试集的 AUC（曲线下面积，是评估模型性能的重要指标）分别达到 0.877 和 0.824，优于 ResNeSt 和 ViT 模型。这一结果表明，SwinT 模型在处理超声影像数据、识别与 BRAF^V600E突变相关的特征方面，具有独特的优势，为后续将其作为骨干网络构建集成模型奠定了坚实的基础。
• 集成模型开发：BrafSwinT 模型包含三个并行分支，分别处理多尺度特征、放射组学特征和临床参数，最后通过全连接层进行分类。添加放射组学特征分支和临床参数分支后，模型性能显著提升。在外部测试集中，AUC 提高，特异性和阴性预测值也有所增加。这充分展示了多分支融合策略的有效性，不同类型的特征相互补充，使得模型能够更全面、准确地预测 BRAF^V600E突变状态。
• BrafSwinT 模型性能及对比：BrafSwinT 模型在内部验证集和外部测试集的 AUC 分别为 0.911 和 0.869，在预测 BRAF^V600E突变状态方面，明显优于未修改的深度学习模型。其敏感性和特异性也有较好表现，在外部测试集中，特异性从 SwinT 的 66.7% 提升到 77.8%。这一结果有力地证明了 BrafSwinT 模型的优越性，为临床应用提供了更可靠的选择。
• BrafSwinT 模型的可视化解释：通过生成热图可以发现，BrafSwinT 模型在分类时，重点关注微钙化区域，以及被高回声区域完全或部分包围的低回声区域。这一可视化结果直观地展示了模型的决策依据，有助于医生更好地理解模型的预测机制，为临床诊断提供了更直观的参考。

从研究结论和讨论部分可以看出，BrafSwinT 模型基于甲状腺结节的灰度超声影像和基本临床数据，在预测 PTC 患者的 BRAF^V600E突变状态方面，展现出了良好的性能，超越了其他深度学习模型。它利用常规获取的超声和临床数据，就能为 PTC 患者的治疗决策和风险分层提供有力支持，既节省了患者的时间和费用，又提高了诊疗效率。

不过，这项研究也存在一些局限性。比如，训练和验证队列的患者均来自三级医院，研究结论在其他医疗机构的适用性还需进一步验证；作为回顾性研究，难以完全避免选择偏倚；对于有多发性 PTC 结节的患者，只能分析最大的结节。尽管如此，BrafSwinT 模型仍然为甲状腺癌的诊疗开辟了新的道路。未来，随着研究的不断深入，有望进一步优化模型性能，扩大其应用范围，为更多甲状腺癌患者带来福音。