2月25日人工智能平台显示了从超声图像进行甲状腺癌筛查和分期的潜力

一项新的研究发现，结合多种机器学习方法的人工智能 (AI) 模型可以准确地检测甲状腺癌，并通过分析常规超声图像来预测病理和基因组结果。人工智能模型可以为该疾病的筛查、分期和个性化治疗计划提供一种低成本、非侵入性的选择。该研究的结果将于明天在 2022 年多学科头颈癌研讨会上公布。

“甲状腺癌是美国增长最快的癌症之一，主要是由于检测的增加和诊断的改进。我们开发了一个人工智能平台，可以检查超声图像并高精度预测是否存在潜在问题的甲状腺结节，事实上，癌变。如果是癌变，我们可以进一步预测肿瘤分期、淋巴结分期以及是否存在 BRAF 突变，”资深作者、医学博士、头颈部放射肿瘤学研究项目主任 Annie Chan 说麻省总癌症中心。“如果及早发现，这种疾病是高度可治疗的，患者通常可以在治疗后存活很长时间。”

为了训练和验证 AI 平台，研究人员通过常规诊断超声从 784 名患者中获得了 1,346 张甲状腺结节图像。超声图像分为两个数据集，一个用于内部训练和验证，一个用于外部验证。通过细针活检获得的样本证实了恶性肿瘤。病理分期和突变状态分别通过手术报告和基因组测序得到证实。

与传统的人工智能方法不同，研究人员为模型结合了多种人工智能方法，包括(1)放射组学，从图像中提取大量定量特征;(2)拓扑数据分析(TDA)，评估图像中数据点之间的空间关系;(3) 深度学习，算法通过人工智能神经网络的多层运行数据以生成预测;(4) 机器学习 (ML)，其中算法利用甲状腺成像报告和数据系统 (TI-RADS) 定义的超声特性作为 ML 特征。“通过集成不同的人工智能方法，我们能够在最大限度地减少噪音的同时捕获更多数据。这使我们能够在做出预测时达到高度的准确性，”陈博士说。

利用这四种方法的多模式平台准确预测了内部数据集中 98.7% 的甲状腺结节恶性肿瘤，显着优于单独使用的单个 AI 模式。相比之下，个体放射组学模型预测了 89% 的恶性肿瘤(与多模态平台相比，p<0.001)，深度学习模型达到了 87% 的准确率(p=0.002)，TDA 和 (ML)TI-RADS 准确率为 81 % 和 80% 的样本，分别为(均 p<0.001)。在外部验证数据集上，该模型对恶性肿瘤预测的准确率为 93%。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！