过去30年，全球甲状腺癌的发病率大幅上升，占全球每年诊断的所有癌症的3.4%，是世界上第九大常见癌症。在新发病例中，甲状腺乳头状癌（PTC）所占比例最大，其中50%以上为甲状腺乳头状微癌（PTMCs，≤1cm）。根据目前的实践指南推荐，超声检查（US）是区分甲状腺癌和良性结节以及选择细针抽吸（FNA）活检对象的一线和最准确的影像检查。然而，虽然一些声像图特征与甲状腺癌有关，但没有任何一个特征能足够敏感和特异地确认或排除甲状腺癌。US是主观的，高度依赖于放射科医生的经验，对甲状腺结节的解释存在观察者之间和观察者内部差异的固有风险。在这种情况下，仅凭US来区分良性和恶性的甲状腺结节是很有挑战性的。

FNA是一种简单、安全、微创的甲状腺结节诊断方法。然而，约10%的细胞学结果是可疑或不确定的，其中20-30%是恶性的。因此，由于甲状腺结节的高发病率和放射科医生诊断水平的差异，建立一个更可靠、客观和无创的辅助工具显得尤为重要。

S-检测（Samsung Medison, Co., Ltd.）是一个集成到超声装置中的人工智能（AI）系统，已被引入临床实践，可以解释甲状腺结节的US特征，并提供二分法的诊断结果（可能是良性/可能是恶性）。有人认为，这样的人工智能系统正在缩小人类与计算机之间的差距，与放射科医生相比其诊断性能很好。一些研究报告称，这种人工智能方法也可以为在甲状腺US方面经验不足的放射科医生在诊断甲状腺癌时提供决策支持。遗憾的是，没有研究将小于0.5cm的甲状腺结节纳入其中，也很少有研究评估AI系统在甲状腺结节中的诊断性能与实际操作中的尺寸和放射医师经验之间的关系。

近日，发表在European Radiology杂志的一项研究评估了AI系统在甲状腺结节中的诊断性能，并探讨了AI系统的潜在临床效用和具有不同经验的放射科医生在临床实践中的最佳整合，位临床更加准确的进行风险分层提供了技术支持。

从2021年3月到2021年7月期间，本项研究前瞻性的纳入了连续236名有312个可疑甲状腺结节的患者。由一名经验丰富的放射科医生用实时AI系统（S-Detect）进行US检查，并记录了结节的超声图像和AI报告。9名住院医师和3名资深放射医师被邀请根据记录的超声图像做出 "良性 "或 "恶性 "诊断，并在参考了AI报告后再次做出诊断。分析了有无AI报告的AI、住院医生和高级放射科医生的诊断表现。 

AI系统的敏感性、准确性和AUC分别为0.95、0.84和0.753，与有经验的放射科医生没有统计学差异，但优于住院医生（所有P < 0.01）。人工智能辅助的居民策略显著提高了≤1.5厘米的结节的准确性和敏感性（所有P < 0.01），而对于>1.5厘米的结节，不必要的活检率最高可降低27.7%（P = 0.034）。 

 图 三位有经验的放射科医生的AI系统、仅有放射科医生模式和有AI系统模式的ROC曲线。蓝色：AI系统的ROC曲线；绿色：AI系统模式的ROC曲线；橙色：AI系统模式的ROC曲线

研究表明，人工智能系统在甲状腺癌诊断方面取得了与普通高级放射医师相当的表现。人工智能辅助策略可以显著提高经验不足的放射科医生的整体诊断性能，同时增加发现≤1.5厘米的甲状腺癌，并减少临床实践中对>1.5厘米的结节进行不必要的活检。
原文出处：

Yingying Li,Yihao Liu,Jing Xiao,et al.Clinical value of artificial intelligence in thyroid ultrasound: prospective study from the real world.DOI:10.1007/s00330-022-09370-y