综述：从数据到诊断：人工智能如何革新甲状腺结节与癌症的术前评估

这篇综述系统阐述了人工智能（AI）在甲状腺结节（TNODs）及甲状腺癌术前评估中的革命性应用，涵盖超声诊断、细针穿刺活检（FNAB）、淋巴结转移（LNM）预测及多组学整合分析，强调AI通过提升影像学、细胞病理学和预后评估的准确性，为个体化治疗提供循证依据。

　　

Abstract

甲状腺结节在普通人群中检出率高达50%-67%，但仅10%-15%为恶性，存在过度诊疗风险。人工智能（AI）通过整合影像、病理及多组学数据，为术前精准评估提供了新范式。

Background

甲状腺乳头状癌（PTC）占甲状腺癌85%以上，5年生存率达98.5%，但合并甲状腺外侵犯（ETE）或淋巴结转移（LNM）者预后显著恶化。传统诊断依赖医师主观经验，而AI能自动化处理海量数据，减少人为误差。

Methods

综述梳理了AI在甲状腺结节术前评估中的应用框架，包括超声图像分析、FNAB细胞病理分类（基于Bethesda系统）、LNM预测模型及多组学（基因组、影像组等）数据整合。

Results

AI在超声诊断中的应用：超声是甲状腺结节筛查首选，但诊断一致性受医师经验影响。AI通过深度学习（DL）分析图像特征（如微钙化、边缘不规则），显著提高良恶性鉴别准确率。
AI在细胞病理诊断中的应用：FNAB结合Bethesda分级系统是金标准，AI可自动化识别细胞核异型性等特征，辅助TBSRTC分类，减少不确定结果（如Bethesda III类）。
LNM预测：PTC患者LNM发生率20%-50%，AI通过量化超声或CT影像特征（如淋巴结形态、强化模式），预测转移风险，指导手术范围。
多组学整合：AI融合基因组（如BRAF^V600E突变）、蛋白质组和影像组数据，揭示生物标志物互作网络，助力风险分层。

挑战与展望

当前AI应用面临数据隐私、算法泛化性及临床验证不足等瓶颈。未来需扩大多中心数据集，开发可解释性模型，并推动AI与临床决策系统的无缝衔接。

结论

AI驱动的术前评估体系有望优化甲状腺结节管理，从“一刀切”迈向精准医疗，但需跨学科协作解决技术与伦理问题。