王洪杰，于霞，高強

威海市婦幼保健院 a.醫(yī)療設備科；b.超聲二科；c.放射科，山東 威海 264200

引言

中國是世界人口第一大國，龐大的人口基數以及快速增長的老齡人口帶來了持續(xù)增長的醫(yī)療服務需求[1]。據我國衛(wèi)生和計劃生育事業(yè)發(fā)展統(tǒng)計公報，2016年我國個人衛(wèi)生支出已達13337.9億元，對比1990年267.01億元，年均增長率達16.23%[2]。然而，在醫(yī)療服務市場高速發(fā)展的外表下，持續(xù)的“看病難、看病貴”問題一直是阻礙我國醫(yī)療服務市場健康發(fā)展的難題。造成這一問題的根本原因是醫(yī)療服務供給增量無法滿足過快增長的醫(yī)療服務需求[3-4]。近年來以深度學習為代表的機器學習技術，在輔助醫(yī)生提高診斷準確性、降低工作強度、提高工作效率方面開始顯示出其優(yōu)勢。其中最突出的就是醫(yī)學影像領域，深度學習技術已經可以在甲狀腺超聲診斷中發(fā)揮作用[5-7]。以甲狀腺超聲為例，超聲醫(yī)生需要反復看甲狀腺圖像，判斷出結節(jié)的位置、大小、良惡性，這通常需要十多分鐘，采用深度學習技術則能夠自動標注出結節(jié)的位置、大小、性質等信息，一方面輔助高年資醫(yī)師進行診斷、提高工作效率，另一方面還可以幫助低年資醫(yī)師提高識別甲狀腺結節(jié)的能力和診斷水平[8-11]。

1 資料與方法

從超聲數據庫選取2013年1月至2018年1月期間6321張甲狀腺圖像，其中包括確診多發(fā)結節(jié)2000張，單個結節(jié)1200張，其他未確診甲狀腺圖像3121張。首先對圖像進行分割，用于深度學習模型的訓練。然后將剩余的3121張圖像用于模型的驗證，所有納入研究的病變均經過活檢或手術病理確診同時病灶范圍明確。術后對甲狀腺結節(jié)的良惡性進行驗證，考慮算法及臨床實際，因此本文所稱甲狀腺結節(jié)未區(qū)分良惡性。剩余的 3121 張圖像同時再交給4名超聲醫(yī)師進行診斷。最后統(tǒng)計相關結果，圖像來源于飛利浦IU22和GE E9。

2 模型構建和驗證

2.1 圖像標注

超聲醫(yī)師以病理為標準將所有圖像分成甲狀腺良性結節(jié)和惡性結節(jié)兩個大類，同時對病變圖像中的病灶范圍進行精準標注。

2.2 圖像預處理

將標注好的圖像進行裁剪、去噪、正則化處理，從而消除人為和環(huán)境干擾，把超聲圖像統(tǒng)一為225×225像素大小。

2.3 構建和訓練模型

深度學習是人工智能領域機器學習技術的一個分支[12]。傳統(tǒng)的機器學習技術在處理未加工過的原始數據時效果不佳。要構建一個模式識別系統(tǒng)或者機器學習系統(tǒng)，需要一個精心設計的分類器和需要相當專業(yè)的知識才能確定出來的特征，這種分類任務的效果很大程度上依賴于所提取特征的質量，而這些高質量的特征需要人工確定時，機器學習的有效性就大打折扣[13-14]。

如果能夠給機器輸入原始數據，然后通過計算自動發(fā)現需要進行檢測和分類的特征表達方法和分類方法，則會大大提高機器學習的有效性。深度學習就是這樣一種特征學習方法，把原始數據通過一些非線性的簡單模型轉變成為更高層次的，更加抽象的表達。通過足夠多的轉換的組合，非常復雜的函數也可以被學習。深度學習的體系結構是簡單模塊的多層棧，大部分模塊的目標是學習，還有許多計算非線性輸入輸出的映射。棧中的每個模塊將其輸入進行轉換，以增加表達的可選擇性和不變性。

卷積神經網絡（Convolutional Neural Networks，CNN）是一種典型的深度學習網絡結構[15]。本文采用一種CNN方法進行甲狀腺結節(jié)的診斷，該CNN的結構如圖1所示。其輸入為225×225的甲狀腺超聲圖像，第一個卷基層產生大小為111×111的96個特征的映射。第二個卷基層產生55×55大小的256個特征的映射。第三個卷基層產生13×13大小的384個特征的映射。最后經過全連接之后進行分類，分類結果是該圖像是否含有結節(jié)。

圖1 甲狀腺結節(jié)診斷的CNN結構

為了對該模型進行良好的訓練，采用了遷移學習的方法。首先把該模型在ImageNet數據集上進行了預訓練。然后在甲狀腺數據集上進行參數調整訓練。該甲狀腺診斷訓練數據集的構建方法如下：從采集的甲狀腺數據集中隨機選擇結節(jié)圖像和無結節(jié)圖像（圖2），然后針對兩類圖像分別采用旋轉和mixup方法，得到響應的含結節(jié)圖像和無結節(jié)圖像，構成甲狀腺診斷訓練數據集。經過預訓練和參數調整訓練后，得到完成訓練的甲狀腺診斷CNN模型。

圖2 甲狀腺圖像

2.4 驗證模型

把采集的甲狀腺數據集中，未用來進行模型訓練的圖像作為模型驗證的數據集。把該數據集輸入到完成訓練的甲狀腺診斷CNN模型中，可以得到對應每張圖像是否是結節(jié)的診斷結果。

2.5 模型和超聲醫(yī)師的比較

選擇4名本院超聲醫(yī)師，分高年資和低年資兩組，其中高年資超聲醫(yī)師的選擇標準為取得中級資格證，超聲檢查超過10000例，低年資超聲醫(yī)師標準為從事超聲工作小于3年，超聲檢查不到3000例。4名醫(yī)師分別獨立地對電腦屏幕所展示的測試集圖像進行識別和判斷，同時記錄其診斷每張圖像所需的時間。同時模型對相同的測試集進行識別，記錄結果。

3 結果

測試集共有3121張圖像，其中甲狀腺結節(jié)2900張，其他良性病變及正常圖像221張。2900張甲狀腺結節(jié)圖像中，深度學習模型正確識別2860張，高年資超聲醫(yī)師平均正確識別2570張，低年資超聲醫(yī)師平均正確識別2215張。221張正常圖像中，三者分別正確識別了212、201和183張。

另外，從時間上對比，深度學習每張圖像的診斷時間為（0.10±0.02）s。而低年資超聲醫(yī)師和高年資超聲醫(yī)師的診斷時間分別為15 min和10 min。

根據測試對比結果，分別計算陽性預期率、陰性預期率、診斷敏感性、診斷效率和診斷特異性指標，這些指標詳見表1。

表1 深度學習與高、低年資的醫(yī)生診斷結果對比（%）

從表1中可見，深度學習方法在所有指標比較中都超過了超聲醫(yī)師。其中陽性預期率比高年資超聲醫(yī)師高出10.00%，陰性預期率高出5.02%，診斷效率高出10.24%。本研究構建的深度學習模型用于甲狀腺結節(jié)的診斷全面超過超聲醫(yī)師，可在超聲診斷甲狀腺檢查中輔助醫(yī)師進行實時診斷。

本研究對深度學習技術在超聲甲狀腺結節(jié)領域內的應用進行了初步探索。結果表明深度學習方法應用于超聲影像的甲狀腺結節(jié)的臨床輔助診斷是可行的。

4 討論和結論

隨著近年來甲狀腺超聲篩查的普及，越來越多的甲狀腺疾病被發(fā)現[16-17]。尤其是甲狀腺惡性病變，因為早發(fā)現、早治療，降低了癌癥死亡率、提高了生存率及生活質量[18]。但限于目前醫(yī)療資源不均衡、診斷不規(guī)范、診斷水平參差不齊等因素，導致還有很多甲狀腺結節(jié)，尤其是小的惡性結節(jié)被漏診和誤診[19-20]。如何能充分利用有限的醫(yī)療資源，快速、有效地提高我國的甲狀腺結節(jié)診斷能力，成為我們亟待解決的問題。

深度學習在醫(yī)學研究及臨床實踐中越來越受到重視，是機器學習的一個分支，更適合解決大數據問題[21-24]。本研究對人工智能圖像識別技術在超聲甲狀腺結節(jié)領域內的應用進行了初步探索。通過回顧性收集的6321張超聲圖像，整理后投入深度學習模型進行訓練和驗證，測試結果顯示其診斷甲狀腺結節(jié)的陽性預期率98.62%，陰性預期率95.93%，診斷敏感性99.68%，診斷效率98.43%，診斷特異性84.13%，每張圖像的診斷時間為（0.10±0.02）s。模型組的準確率均高于醫(yī)師組，總體表現令人滿意。

本研究構建的深度學習模型用于超聲甲狀腺結節(jié)的診斷具有較高的準確率，將來可在超聲檢查中輔助超聲醫(yī)師進行實時診斷。AI讓基層超聲醫(yī)師獲得跟資深專家同質化的診斷效果成為可能。應用深度學習方法開展超聲甲狀腺結節(jié)影像診斷，可以提高醫(yī)生和醫(yī)院的診療效率，輔助醫(yī)生提供更精準和優(yōu)質的服務，對于我國醫(yī)療衛(wèi)生領域的發(fā)展有著重要的現實意義。在國內，四川大學華西醫(yī)院、浙江省人民醫(yī)院、浙江大學醫(yī)學院附屬兒童醫(yī)院、上海交通大學、上海華山醫(yī)院都開展了此方面單疾病的研究。總之，我們認為AI技術在超聲圖像識別領域市場前景一片光明并大有可為。