利用深度卷积神经网络分析超声图像实现甲状腺癌的自动诊断

Thyroid cancer (THCA) is a common malignant cancer type. The incidence rate of THCA was increasing in the past decades and three times more prevalent in women versus men. Thyroid ultrasound diagnosis is the most frequently used approach to diagnose THCA. Thyroid ultrasound is featured by non-invasiveness, convenience and cost effectiveness and widely adopted in THCA diagnosis. Experienced radiologists are required to accurately read and interpret thyroid imaging results, however, thyroid radiologists are in unbalanced allocation at present in China. Investigation on application of deep learning in medical imaging is a forefront arena; however, studies in relation to using deep learning to analyse huge amount of thyroid ultrasound imaging data have not yet been identified. Automated diagnosis of THCA using deep learning to analyse ultrasound imaging data has the promise to increase diagnostic efficiency, accuracy and reproducibility. Applicant of this study has long been dedicated to big data mining in bioinformatics, and developed a deep learning system that is able to automate THCA diagnosis and thyroid nodule detection. In this study, we intend to use deep learning to learn feature representations from analysing 0.6 million thyroid ultrasound images. Pathological examination is used as gold standard to define THCA. Ultimately, a deep learning system tailored for automating THCA diagnosis will be developed, in the hope that unbalanced medical resources will be ameliorated.

甲状腺癌是一种常见恶性肿瘤，在过去几十年里，其发病率呈持续上升趋势，男女比例约为1：3。超声是甲状腺癌鉴别诊断的最常用手段，具备无创、简便、经济的特点，得到广泛应用，然而超声诊断需要经验丰富的专家才能做出准确判断，但现阶段我国超声医师资源分配不均衡。深度学习在医疗影像中的应用研究为当前国际热点，目前尚未发现基于深度学习分析大样本甲状腺超声影像数据的研究。通过深度学习分析甲状腺癌及其对照的超声图像数据实现甲状腺癌自动诊断，可以提高诊断效率、准确性和可重现性。本课题申请人长期从事生物信息大数据分析挖掘工作，现已开发出一套甲状腺癌自动诊断和恶性结节自动定位的深度学习系统。本课题拟通过深度学习模型分析60万张甲状腺超声图像的特征表征，以病理检测结果作为甲状腺癌诊断金标准，开发出一套基于超声图像的深度学习系统实现甲状腺癌自动诊断，期望医疗资源分配不均问题得到改善。

背景：甲状腺癌的过度诊断和过度治疗导致甲状腺癌的发病率正在稳步上升。甲状腺超声是甲状腺癌诊断的常用手段。本研究的目的是利用深度卷积神经网络（DCNN）模型分析甲状腺超声图像数据来提高甲状腺癌的诊断准确性。..方法：我们使用来自中国三所医院的超声图像进行了一项回顾性、多中心的诊断研究。我们以天津市肿瘤医院甲状腺图像数据库中获取的数据作为训练集，开发了DCNN模型，此数据集中包括17627例甲状腺癌患者的131731张超声图像和25325例对照组的180668张图像。该模型的诊断性能在天津肿瘤医院的内部验证集（1118名患者的8606张图像）和两个外部数据集中进行验证（吉林省中西医结合医院154例741张图片；山东省威海市医院1420例11039张图片）。我们在这三个验证数据集，对DCNN模型与六名甲状腺超声科医生的诊断效果进行了比较。..研究结果：在2012年1月1日至2018年3月28日期间，共获得了四个研究队列的超声图像。在验证集中，该甲状腺癌识别模型均取得了很好的效果，天津内部验证集的AUC值为0.947（95% CI 0.935–0.959），吉林外部验证集的AUC值为0.912（95% CI 0.865–0.958），威海外部验证集AUC为0.908（95% CI 0.891–0.925）。与影像科医生相比，DCNN模型识别甲状腺癌的性能也有所改善。在天津内部验证集中，敏感性为93.4%（95% CI 89.6-96.1）和96.9%（93.9-98.6；p=0.003），特异性为86.1%（81.1-90.2）和59.4%（53.0-65.6；p<0.0001）。在吉林省外部验证集中，敏感性为84.3%（95% CI 73.6-91.9）和92.9%（84.1-97.6；p=0.048），特异性为86.9%（95% CI 77.8-93.3）和57.1%（45.9-67.9；p<0.0001）。在威海外部验证集中，敏感性为84.7%（95% CI 77.0-90.7）和89.0%（81.9-94.0；p=0.25），特异性为87.8%（95% CI 81.6-92.5）和68.6%（60.7-75.8；p<0.0001）。..结论：DCNN模型在识别甲状腺癌患者方面性能良好，且表现出与影像科医生相当的敏感性和更高的特异性。.