陳璟泰，侯令密，唐云輝，錢雙強，蒲虹羽，高硯春

根據(jù)報道，19%～68%的人存在甲狀腺結(jié)節(jié)［1］。甲狀腺結(jié)節(jié)是甲狀腺癌最常見的臨床表現(xiàn)，準確鑒別甲狀腺結(jié)節(jié)良惡性對于患者治療方式的選擇至關(guān)重要。彩超因無創(chuàng)、無電離輻射且價格低廉而被廣泛接受為甲狀腺結(jié)節(jié)的一線影像學檢查手段，但其診斷準確性常與醫(yī)生的經(jīng)驗、水平相關(guān)［2］。

計算機輔助診斷（computer aided diagnosis，CAD）技術(shù)是人工智能與現(xiàn)代醫(yī)學研究的熱點之一。近年來，隨著構(gòu)建人工智能的技術(shù)進步，人們已經(jīng)開發(fā)了基于超聲的CAD系統(tǒng)，并被引入商用的超聲診斷軟件［3］，在乳腺和甲狀腺腫瘤檢查工作中，其有效性得到了初步驗證［4-5］。人工智能與超聲影像結(jié)合可簡化操作步驟、避免主觀差異性、節(jié)約醫(yī)師資源、縮短報告時間、提高診斷效率，具有廣闊的應用前景。

S-Detect是目前常用的一項針對甲狀腺結(jié)節(jié)的超聲CAD技術(shù)，通過前期數(shù)據(jù)學習及算法優(yōu)化，該技術(shù)可對甲狀腺結(jié)節(jié)的良性或惡性進行鑒別診斷。本研究廣泛納入國內(nèi)外多篇文獻進行定量合成，旨在明確S-Detect對甲狀腺結(jié)節(jié)良惡性的鑒別診斷價值。

1 資料與方法

1.1 文獻納入與排除標準

1.1.1 文獻納入標準 （1）評估S-Detect診斷準確性的研究；（2）必須通過病理學檢查明確甲狀腺結(jié)節(jié)的良惡性；（3）應提供或可以計算出相應的診斷準確性的統(tǒng)計信息，包括真陽性（TP）、假陽性（FP）、假陰性（FN）、真陰性（TN）。

1.1.2 文獻排除標準 （1）研究沒有提供足夠的數(shù)據(jù)來計算TP、FP、FN和TN；（2）重復研究，低質(zhì)量研究，信函，會議論文，病例報告，綜述；（3）與本研究主題無關(guān)。

1.2 文獻檢索策略 計算機檢索PubMed、EMBase、Web of Science、the Cochrane Library、萬方數(shù)據(jù)知識服務平臺、中國知網(wǎng)、維普網(wǎng)和中國生物醫(yī)學文獻服務系統(tǒng)，檢索時限為建庫至2021-01-06。中文檢索詞包括：甲狀腺、S-Detect、計算機輔助診斷。本研究搜索了相關(guān)主要出版物中的參考文獻，以確定其他符合條件的研究，并對最終被納入的研究所包含的參考文獻進行了審查，擴大了搜索范圍，以確定其他潛在的相關(guān)研究。英文檢索詞包括S-Detect，thyroid，computer aided diagnosis，Artificial Intelligence等。以PubMed為例，其文獻檢索策略見表1。

表1 PubMed文獻檢索策略Table 1 Search strategy used to identify studies about the value of S-Detect in differentially diagnosing thyroid nodules in PubMed database

1.3 資料提取與質(zhì)量評價 由2名評價者根據(jù)文獻納入與排除標準獨立篩選文獻，確定最終納入研究的文獻。對于文獻檢索過程中出現(xiàn)的爭議，由第3名評價者與前2名評價者共同分析，得出一致的結(jié)論。最終，提取和錄入納入文獻的基本資料，包括第一作者、發(fā)表時間、國家、例數(shù)、年齡、性別、結(jié)節(jié)數(shù)目、探頭頻率、儀器、TP、FP、FN、TN。納入研究的方法學質(zhì)量評價采用 QUADAS（Quality Assessment for Diagnostic Accuracy Studies）工具［6］。QUADAS工具共包括14項條目：每項條目以“是”“否”或“不清楚”進行評價。以上過程均由2名評價者按照標準獨立進行。

1.4 統(tǒng)計學方法 采用Meta-Disc 1.4和Stata 15軟件進行統(tǒng)計學分析。通過繪制集成受試者工作特征（SROC）曲線觀察圖形是否為“肩臂狀”，再通過計算Spearman秩相關(guān)系數(shù)判斷是否存在閾值效應。通過I2判斷研究的異質(zhì)性大小，I2＜50%且P＞0.1時采用固定效應模型進行分析，否則采用隨機效應模型。統(tǒng)計指標為合并靈敏度、合并特異度、合并陽性似然比、合并陰性似然比、合并診斷比值比和受試者工作特征（ROC）曲線下面積（AUC）；檢驗水準α=0.05。采用“逐一排除法”進行敏感性分析；繪制Deek漏斗圖判斷發(fā)表偏倚，P＜0.10時表明存在發(fā)表偏倚。

2 結(jié)果

2.1 文獻檢索結(jié)果 共檢出相關(guān)文獻962篇，經(jīng)逐層篩選后，最終納入16篇文獻［5，7-21］、2 453例患者，其中 4 篇為中文文獻［7-10］、12 篇為英文文獻［5，11-21］。文獻篩選流程見圖1。納入文獻的基本特征見表2。根據(jù)QUADAS工具評價結(jié)果，納入文獻中評價為“是”的條目數(shù)均≥11項，可見納入文獻的質(zhì)量較好，文獻質(zhì)量評價結(jié)果見表3。

表2 納入文獻的基本特征Table 2 Basic characteristics of included studies

表3 納入文獻的質(zhì)量評價結(jié)果Table 3 Quality assessment of included studies

圖1 文獻篩選流程圖Figure 1 Flowchart of literature screening

2.2 Meta分析結(jié)果 SROC平面散點圖未呈明顯“肩臂狀”，Spearman秩相關(guān)系數(shù)為0.193，P=0.474，提示各文獻間不存在由閾值效應引起的異質(zhì)性。所有結(jié)局指標I2＞50%，故采用隨機效應模型進行Meta分析。Meta分析結(jié)果顯示，S-Detect鑒別診斷甲狀腺結(jié)節(jié)良惡性的合并靈敏度、合并特異度、合并陽性似然比、合并陰性似然比、合并診斷比值比、AUC分別為0.84〔95%CI（0.81，0.86），P=0.003 6〕、0.71〔95%CI（0.69，0.73），P＜0.000 1〕、3.31〔95%CI（2.45，4.47），P＜0.000 1〕、0.22〔95%CI（0.17，0.29），P=0.000 6〕、15.93〔95%CI（9.85，25.78），P＜0.000 1〕、0.89〔95%CI（0.84，0.94）〕。詳見圖 2～7。

圖2 S-Detect鑒別診斷甲狀腺結(jié)節(jié)良惡性的合并靈敏度Figure 2 Pooled sensitivity of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖3 S-Detect鑒別診斷甲狀腺結(jié)節(jié)良惡性的合并特異度Figure 3 Pooled specificity of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖4 S-Detect診斷甲狀腺結(jié)節(jié)良惡性的合并陽性似然比Figure 4 Pooled positive likelihood ratio of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖5 S-Detect診斷甲狀腺結(jié)節(jié)良惡性的合并陰性似然比Figure 5 Pooled negative likelihood ratio of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖6 S-Detect診斷甲狀腺結(jié)節(jié)良惡性的合并診斷比值比Figure 6 Pooled diagnostic odds ratio of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

圖7 S-Detect診斷甲狀腺結(jié)節(jié)良惡性的SROC曲線Figure 7 SROC curves of S-Detect in the differential diagnosis of benign and malignant thyroid nodules

2.3 敏感性分析 逐一剔除單項研究后對其余研究重新進行Meta分析，結(jié)果顯示各結(jié)局指標合并效應量均未發(fā)生明顯變化，提示本研究結(jié)果穩(wěn)定、可靠。

2.4 發(fā)表偏倚 Deek漏斗圖基本對稱且趨近于垂直（圖8），P=0.38，提示無發(fā)表偏倚。

圖8 Deek漏斗圖Figure 8 Deek's funnel plot for assessing the publication bias of included studies

3 討論

近年來甲狀腺結(jié)節(jié)發(fā)病率逐年升高［22］，超聲檢查已被廣泛應用于甲狀腺結(jié)節(jié)的診斷。隨著醫(yī)學影像技術(shù)的發(fā)展，彈性成像、超聲造影及人工智能等新技術(shù)被更多地應用于甲狀腺疾病的輔助診斷。為加快診斷過程并減少觀察者之間的差異，目前已開發(fā)CAD系統(tǒng)以幫助放射科醫(yī)生對超聲圖像進行解釋，其中S-Detect是第一個可商購的甲狀腺超聲CAD系統(tǒng)［23］，目前其已在多個國家廣泛應用。為驗證S-Detect的臨床應用價值，本研究納入多篇文獻對其在區(qū)分甲狀腺結(jié)節(jié)良惡性方面的診斷性能進行了全面評估。

本研究廣泛收集了國內(nèi)外關(guān)于S-Detect對甲狀腺結(jié)節(jié)良惡性鑒別診斷價值的文獻并進行了Meta分析，結(jié)果顯示，S-Detect鑒別診斷甲狀腺結(jié)節(jié)良惡性的合并靈敏度為0.84，合并特異度為0.71，表明有84%的惡性結(jié)節(jié)和71%的良性結(jié)節(jié)能被S-Detect鑒別；此外，合并陽性似然比為3.31，合并陰性似然比為0.22，AUC=0.89。診斷比值比是檢測診斷準確性的重要指標，其數(shù)值越大表明診斷準確性越高，本研究得出的合并診斷比值比為15.93，表明S-Detect的總體準確性較高。從以上結(jié)果可以看出，S-Detect鑒別診斷甲狀腺結(jié)節(jié)良惡性的靈敏度較佳，但特異度稍低，這可能與S-Detect主要是評價結(jié)節(jié)的形狀、方向、邊界、后方特征、回聲等，對腫塊內(nèi)部的鈣化灶并不敏感，而腫瘤內(nèi)部的微鈣化常是診斷甲狀腺癌的可靠征象；因此，單獨應用S-Detect鑒別診斷甲狀腺結(jié)節(jié)的良惡性可能會增加不必要的穿刺或手術(shù)，需要繼續(xù)改進算法，增加陰性病例學習數(shù)量以提高特異度及S-Detect的診斷效率，而S-Detect要替代經(jīng)驗豐富的影像科醫(yī)師還有很長的路要走。YOO等［17］研究表明，與單獨的影像科醫(yī)師相比，CAD系統(tǒng)輔助影像科醫(yī)師的診斷靈敏度更高，這意味著CAD系統(tǒng)使影像科醫(yī)師能夠檢測出更高比例的真正的惡性腫瘤，因此，S-Detect可用于彩超圖像的輔助判斷，為影像科醫(yī)師的決策提供參考。

本研究納入的文獻質(zhì)量較高，且敏感性分析結(jié)果較穩(wěn)定，Deek漏斗圖提示無明顯發(fā)表偏倚，表明本研究分析結(jié)果穩(wěn)定、可信，但本研究也存在局限性：（1）僅納入了中、英文文獻，可能存在語言偏倚；（2）多個結(jié)局指標中存在明顯的異質(zhì)性，可能與納入研究間的結(jié)節(jié)大小、疾病譜構(gòu)成等有關(guān)；（3）S-Detect是對錄入的二維超聲圖像進行分析，采用不同標準切面時S-Detect診斷符合率有差異，存在一定誤差；（4）納入的研究多為單中心研究，且樣本量較小，研究結(jié)果可能具有局限性。

綜上所述，當前的證據(jù)顯示，S-Detect對甲狀腺結(jié)節(jié)良惡性的鑒別診斷價值較高，可以作為常規(guī)彩超檢查的有益補充；但是，目前尚不建議將其作為甲狀腺結(jié)節(jié)良惡性診斷的單一確定性檢測方法。此外，為進一步評估S-Detect的價值，還有必要在各個地區(qū)進行大量高質(zhì)量、多中心、大樣本量前瞻性研究。

作者貢獻：陳璟泰、侯令密、高硯春進行文章的構(gòu)思與研究的設計；陳璟泰、侯令密、唐云輝進行研究的實施與可行性分析；陳璟泰、唐云輝、蒲虹羽進行數(shù)據(jù)收集及整理；陳璟泰、錢雙強進行統(tǒng)計學處理，結(jié)果的分析與解釋；陳璟泰撰寫論文；侯令密進行論文的修訂；侯令密、高硯春負責文章的質(zhì)量控制及審校；高硯春對文章整體負責，監(jiān)督管理。

本文無利益沖突。