胡蓓蓓，鄧 偉，張英霞

甲狀腺濾泡性腫瘤主要包括甲狀腺濾泡癌（follicular thyroid carcinoma，F(xiàn)TC） 和甲狀腺濾泡性腺瘤（follicular thyroid adenoma，F(xiàn)TA）兩大類，其中FTC 發(fā)病率約占甲狀腺癌的20%～25%， 是繼甲狀腺乳頭狀癌（papillary thyroid carcinoma，PTC）之后的一種病理類型。 FTC 多發(fā)于40 歲以上的女性，較PTC 預(yù)后差，其轉(zhuǎn)移率高，11%～30%患者FTC 早期即可通過血液轉(zhuǎn)移到肺、骨等部位。 不同于PTC 和其他類型的甲狀腺腫瘤，F(xiàn)TC 不具有砂粒體等形態(tài)學特征， 臨床上僅以組織學標本包膜和（或）血管浸潤作為唯一的診斷標準。

FTA 是甲狀腺最常見的良性腺瘤， 其與FTC 的聲像圖特征相近，僅憑超聲難以鑒別。 FTC 與FTA 最大的不同點在于有無明確的包膜和血管浸潤，但在冷凍切片、細針穿刺活檢等檢查中很難將二者區(qū)分開來，尤其是微小浸潤型濾泡癌與腺瘤在鏡下幾乎無法鑒別。在疑似FTC 的手術(shù)中，惡性病變的陽性率僅有20%[1]，很多患者遭受了不必要的手術(shù)從而導致生存質(zhì)量下降。 因此提升FTC 的術(shù)前診斷準確度迫在眉睫。

1 超聲檢查

高頻率超聲檢查已廣泛應(yīng)用在甲狀腺結(jié)節(jié)良惡性鑒別診斷中，由于其具有方便快捷、操作簡單、安全無創(chuàng)、 重復性強等優(yōu)點， 美國甲狀腺協(xié)會（American Thyroid Association，ATA） 現(xiàn)已將超聲列為甲狀腺結(jié)節(jié)的首選檢查方法[2]。

1.1 內(nèi)部回聲

FTC 內(nèi)部回聲較低， 而腺瘤多呈高回聲或等回聲。 劉鑫[3]認為低回聲與短時間內(nèi)出現(xiàn)的生長混亂有關(guān)， 腫瘤細胞破壞了正常甲狀腺濾泡細胞的有序排列。結(jié)節(jié)內(nèi)部回聲均勻是FTA 的診斷特征，而FTC 常表現(xiàn)為內(nèi)部回聲不均的實性腫塊， 囊性改變少見。Sillery JC 等[4]研究表明，正常組織結(jié)構(gòu)的破壞使結(jié)節(jié)出現(xiàn)出血、壞死等繼發(fā)性改變，這是導致其內(nèi)部回聲不均的主要原因。“結(jié)中結(jié)”是指甲狀腺腫瘤內(nèi)具有多個結(jié)節(jié)樣改變，代表腫瘤的侵襲性。 “小梁形成”被定義為結(jié)節(jié)內(nèi)部出現(xiàn)輻輪樣或網(wǎng)狀瘢痕樣回聲。有學者認為FTC 中較易出現(xiàn)這兩種現(xiàn)象[5，6]。 Kim H 等[7]學者發(fā)現(xiàn)，F(xiàn)TC 結(jié)節(jié)顯著的回聲減低是其遠處轉(zhuǎn)移的危險因素。

1.2 暈環(huán)

薄且均勻的暈環(huán)常出現(xiàn)在FTA 中，F(xiàn)TC 多表現(xiàn)為不規(guī)則或不完整暈環(huán)，邊界欠清晰。 原因可能是由于FTC 存在包膜， 腫瘤細胞侵犯包膜而引起反應(yīng)性增生，導致不規(guī)則增厚[8]，在超聲圖像上就表現(xiàn)為薄厚不一的暈環(huán)。 牛衛(wèi)東等[9]研究顯示，超過半數(shù)的FTC未顯示暈環(huán)，這與FTC 結(jié)節(jié)多為低回聲有關(guān)，低回聲的癌結(jié)節(jié)與低回聲的聲暈缺乏對比，故而聲暈不易顯示。 Park KW 等[10]研究表明，認為遠處轉(zhuǎn)移的患者常伴有相對較厚的暈環(huán)。此外，毛刺狀、分葉狀或不規(guī)則的邊緣在FTC 中更常見， 而FTA 呈現(xiàn)相對平滑的輪廓[11]。 據(jù)Borowczyk M 等[8]一項研究表明，邊緣不規(guī)則（微小葉或毛刺） 使甲狀腺結(jié)節(jié)的惡性風險增加了2.92 倍。

1.3 鈣化

Liu BJ 等[12]指出，大量鈣化是FTC 與FTA 最重要的區(qū)別，其特異度為90.3%。 大多數(shù)學者認為FTC中合并鈣化的比例高于FTA， 鈣化可作為預(yù)測FTC的獨立因素。相較于微鈣化，點狀、粗大鈣化和環(huán)形鈣化更常出現(xiàn)在FTC 中。 這可能是由于FTC 中不存在砂粒體，且生長速度快，容易出血、壞死，從而形成鈣鹽沉積。 環(huán)形鈣化的形成通常與營養(yǎng)不良有關(guān)，常被認為是良性結(jié)節(jié)的征象，但近來年研究證明其也會在PTC 與FTC 中出現(xiàn)，因此需與其他特征結(jié)合判斷結(jié)節(jié)性質(zhì)[13]。 此外，F(xiàn)TC 侵犯包膜增生處也易出現(xiàn)鈣化[14]。有研究認為[7]，細針穿刺（fine needle aspiration，F(xiàn)NA）細胞學診斷的FTC 伴周邊鈣化時， 應(yīng)考慮遠處轉(zhuǎn)移的可能。

1.4 血流信號

多數(shù)研究認為FTC 和FTA 在血流信號方面的差異無統(tǒng)計學意義，但也有學者認為[14]相較于FTC，F(xiàn)TA多表現(xiàn)為周邊環(huán)形血流信號， 且內(nèi)部血流較少，而FTC 多表現(xiàn)為中央動脈穿入型，血流信號較多。

2 細胞病理學

超聲引導下FNA 細胞學診斷是一種以細胞形態(tài)學為主要依據(jù)的微創(chuàng)病理學檢查方法，是術(shù)前評估甲狀腺結(jié)節(jié)良惡性靈敏度和特異度較高的方法[15]。 但由于每次取材的樣本量有限、 操作醫(yī)師的水平不同，取樣點不一定具有典型性和代表性。在甲狀腺濾泡性腫瘤鑒別中，多次取材樣本未見明顯的包膜或血管浸潤不在少數(shù)， 臨床上將這類樣本按照Bethesda 系統(tǒng)分類，即Ⅲ類——意義不明的細胞非典型性或意義不明的濾泡性病變和Ⅳ類——濾泡性腫瘤或可疑濾泡性腫瘤。其中Ⅳ類風險較高，約為25%～40%[16]。因此，在活檢結(jié)果不確定的情況下，找到可用于區(qū)分良惡性病變的工具或標準具有相當重要的意義。 目前，可采用檢驗與細針穿刺活檢術(shù)（fine needle aspiration biopsy，F(xiàn)NAB）聯(lián)合診斷FTC 來解決這一難題。

2.1 腫瘤標志物

近年來多項研究以腫瘤標志物為對象，但常規(guī)腫瘤標志物檢測多以組織標本為基礎(chǔ)，不如超聲引導下FNAB 方便快捷。 賈麗瓊等[17]學者通過檢測FNAB 樣本中Galectin-3 和細胞角蛋白19 （cytokeratin 19，CK19）表達，可一定程度上協(xié)助臨床醫(yī)生鑒別甲狀腺濾泡性腫瘤。

Galectin-3 是一種半乳糖蛋白，主要存在于胞漿中，參與機體細胞的增殖、黏附和凋亡等過程。賈麗瓊等[17]研究表明，Galectin-3 強陽性（+++）表達僅在FTC中出現(xiàn)，而未出現(xiàn)在FTA 中，表明Galectin-3 強陽性表達作為FTC 診斷的重要參考。Galectin-3 陽性率在有淋巴結(jié)轉(zhuǎn)移和TNM III+IV 的患者中較高， 提示Galectin-3 可能與FTC 病情進展有一定關(guān)系。

CK19 是一種細胞角蛋白， 參與構(gòu)成細胞骨架系統(tǒng)，與上皮細胞的分裂增殖密切相關(guān)。 其在FTC 組表達優(yōu)于FTA 組。 但相較于Galectin-3 而言，CK19 診斷價值較弱，可能難以單獨判斷標本的病理類型。

Wang J 等[18]學者的研究表明，超聲引導下FNAB組織中人骨髓內(nèi)皮細胞標記1 （human bone marrow endothelial cell marker 1，HBME-1） 陽性表達率在FTC 組明顯高于FTA 組。 HBME-1 是一種酸性氨基酸多糖蛋白，主要由透明質(zhì)酸等組成。臨床研究表明，HBME-1 對甲狀腺癌有良好的診斷價值。超聲引導下細針活檢組織HBME-1 表達的靈敏度為77.78%，特異度為88.89%，準確度為80.00%。因此HBME-1 在鑒別FTA 與FTC 方面有著較大潛力。

2.2 解吸電噴霧電離質(zhì)譜成像技術(shù)

盡管人們對腫瘤標志物的認識逐漸深入，但是對于FTC 的診斷至今還未出現(xiàn)一個統(tǒng)一的、 固定的標志物， 利用FNAB 診斷FTC 仍是臨床上待解決的難題。 因此DeHoog RJ 等[19]學者提出了全新的診斷方法， 指利用解吸電噴霧電離質(zhì)譜（desorption electrospray ionization- mass spectrometry，DESI-MS）成像技術(shù)，根據(jù)從FNAB 樣本中獲得的分子圖譜來診斷甲狀腺病變。 DESI-MS 是一種環(huán)境電離技術(shù)，可直接快速地檢測人體組織樣本中的脂質(zhì)、脂肪酸和代謝物等小分子物質(zhì)； 除具有傳統(tǒng)質(zhì)譜成像技術(shù)樣品用量少、靈敏度高、分析速度快、檢測范圍寬等特點外，同時具有原位、實時、簡便、無損、高通量等優(yōu)點。

有關(guān)研究表明[20，21]，很多在甲狀腺惡性腫瘤中高度表達的基因都參與了體內(nèi)重要的代謝途徑，如糖酵解、糖異生和三羧酸循環(huán)，因此從甲狀腺組織切片中通過DESI-MS 獲得的代謝和脂質(zhì)信息可能是一種有價值的診斷依據(jù)。DeHoog RJ 等[19]從178 例PTC、FTC、FTA和正常甲狀腺組織的114 125 個質(zhì)譜中獲得豐富的分子譜特征，并建立和檢驗統(tǒng)計分類模型以預(yù)測甲狀腺病變的病理類型；該模型隨后被用來預(yù)測臨床FNAB樣本中甲狀腺細胞簇獲得的DESI-MS 成像數(shù)據(jù)。 用于區(qū)分良性甲狀腺腺瘤和FTC 的彈性網(wǎng)絡(luò)模型建立在來自70 例患者的37 966 個像素的訓練集上，每個像素與病理診斷結(jié)果交叉驗證一致的準確度為79.9%、靈敏度為69.1%、特異度為84.1%，受試者工作特性曲線下面積（area under curve，AUC）為0.83。 其中脂肪酸、磷脂酰絲氨酸和磷脂酰甘油是鑒別良性甲狀腺組織最重要的離子。磷脂酰肌醇、神經(jīng)酰胺、磷脂酰乙醇胺、琥珀酸和蘋果酸則是FTC 最重要的特征離子。

利用根據(jù)DESI-MS 成像數(shù)據(jù)建立的統(tǒng)計模型對FNAB 樣本進行分析和分類， 驗證結(jié)果準確度高達89%。 隨著進一步的臨床驗證，DESI-MS 成像技術(shù)極有希望提高FTC 的診斷準確度， 特別是在細胞學不確定的情況下，有望減少診斷性手術(shù)的數(shù)量，同時改善患者的臨床管理和預(yù)后。

3 分子診斷學

FTC 的發(fā)生機制常與基因突變和細胞信號傳導通路異常激活有關(guān)，是一個典型的多基因、多階段的癌變過程。 從基因水平上檢測疾病的發(fā)生，確定發(fā)病原因和評估預(yù)后，是FTC 的研究新方向。 以往研究的ras 基因突變，p27 抑癌基因、端粒酶、端粒酶逆轉(zhuǎn)錄酶（human telomerase reverse transcriptase，hTERT）、人金屬基質(zhì)蛋白酶9 （matrix metallopeptidase-9，MMP-9） 及MMP-9 的表達僅對FTA 的鑒別提供了一定的依據(jù)，尚不能作為獨立的診斷指標。 近年來，除了對PTC 分子遺傳學的探索，還對檢測技術(shù)進行了革新。

3.1 溶質(zhì)載體家族5 成員5 基因

在原發(fā)腫瘤早期，極少部分的腫瘤細胞會侵入淋巴或血液系統(tǒng)并在其中生存，這部分細胞被稱為循環(huán)腫瘤細胞（circulating tumor cells，CTC）[22]。CTC 的發(fā)現(xiàn)極大改善了腫瘤早期診斷率和轉(zhuǎn)移期癌癥患者生存率。 CTC 檢測也因其無創(chuàng)性、敏感性、動態(tài)性等優(yōu)點，成為臨床研究的熱點。

溶質(zhì)載體家族5 成員5 基因（solute carrier family 5 member 5 gene，SLC5A5）所編碼的鈉碘同向轉(zhuǎn)運體（sodium iodide symporter，NIS） 參與甲狀腺激素合成的起始步驟，碘離子通過NIS 介導主動轉(zhuǎn)運到甲狀腺濾泡細胞，隨后被活化與甲狀腺球蛋白結(jié)合，逐步形成甲狀腺激素。SLC5A5基因突變會導致甲狀腺攝碘功能的喪失。SLC5A5是一個被廣泛研究的甲狀腺特異性的基因，經(jīng)常用于檢測外周血CTC。Jee HG 等[23]學者對進入血液的CTC 進行聚合酶鏈式反應(yīng)（polymerase chain reaction，PCR）定量分析，結(jié)果發(fā)現(xiàn)SLC5A5在FTC 和FTA 中表達有明顯差異， 其在FTC 中表達量較低。 由于SLC5A5表達具有高度的靈敏度和特異度，提示SLC5A5可能是甲狀腺結(jié)節(jié)術(shù)前診斷的有效生物標志物。

3.2 fms-樣酪氨酸激酶-3 基因、腫瘤蛋白P53 基因突變

基因測序技術(shù)是闡明基因功能、變異、表達調(diào)控的基礎(chǔ)，也是從分子層次預(yù)測、預(yù)防、診療疾病的支撐技術(shù)，現(xiàn)已高速發(fā)展到第4 代。 其中第2、3、4 代測序技術(shù)統(tǒng)稱為下一代測序（next-generation sequencing，NGS）技術(shù)。在PTC 的研究中，NGS 技術(shù)已經(jīng)有了不俗的成績， 但目前在甲狀腺濾泡性腫瘤方面仍是空白。Borowczyk M 等[24]率先利用NGS 技術(shù)對FTC 和FTA進行了分析， 結(jié)果顯示FTC 患者的突變數(shù)明顯高于FTA 患者。腫瘤蛋白P53 基因（tumor protein P53 gene，TP53） 基因突變僅見于FTC 患者，fms-樣酪氨酸激酶-3 基因（fms-like tyrosine kinase-3，F(xiàn)LT3）基因突變在FTC 組表達（51.4%）高于FTA 組（28.6%）。TP53和FLT3是檢測濾泡性病變惡性程度的候選標志物。

FTC 中最常見的突變是FLT3基因突變。FLT3是Ⅲ型受體酪氨酸激酶（receptor tyrosine kinase Ⅲ，RTKⅢ） 家族的成員，RTKⅢ的基因突變參與調(diào)節(jié)造血細胞的凋亡、增殖和分化，可能導致未成熟形式的FLT3受體的組成性自磷酸化，導致信號轉(zhuǎn)導因子和轉(zhuǎn)錄激活因子5（signal transducer and activator of transcription 5，STAT5）的強因子非依賴性激活[25]。FLT3在FTC 中基因突變率幾乎是FTA 中的2 倍。因此FLT3陽性對FTC 的診斷有一定的價值。

TP53基因突變是FTC 中第二常見的基因突變，是抑癌基因的一種，其編碼具有轉(zhuǎn)錄激活、DNA 結(jié)合功能的腫瘤抑制蛋白，在DNA 合成和修復、細胞周期阻滯、衰老和凋亡等方面有著重要作用。TP53基因突變在FTA 患者中未曾發(fā)現(xiàn)，僅見于FTC 患者，它的突變表明患者患FTC 的可能性大幅增高。

4 基于超聲圖像的人工智能研究

人工智能（artificial intelligence，AI）技術(shù)的進步，特別是深度學習算法的發(fā)展，為超聲醫(yī)生在疾病診斷的臨床研究中帶來了新的工具。 開發(fā)基于超聲的AI技術(shù)鑒別甲狀腺結(jié)節(jié)具有減少侵入性檢查、提升低年資醫(yī)生診斷準確度等優(yōu)勢。

4.1 機器學習

機器學習（machine learning，ML）是AI 技術(shù)的一個分支，它允許計算機從過去的病例中“學習”潛在的信息，能夠捕捉到數(shù)據(jù)中的非線性關(guān)系，從而提高模型的準確度和有效性。目前ML 方法在醫(yī)學領(lǐng)域的應(yīng)用主要包括圖像解釋、病理診斷、危險因素篩選等。許多研究證明ML 在疾病預(yù)測和診斷中具有良好的性能。 Shin I 等[26]開發(fā)了基于放射組學的支持向量機（support vector machine，SVM）和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）分類器模型，以區(qū)分FTA 和FTC， 并與經(jīng)驗豐富的超聲科醫(yī)生的診斷進行了比較，顯示出更高的總體準確度（超聲科醫(yī)生的平均準確度為64.8%，SVM 為69.0%，ANN 為74.0%）。FTC的遠處轉(zhuǎn)移往往提示預(yù)后不良，因此早期篩查和診斷具有重要意義。 Mao Y 等[27]首次使用ML 算法建立了FTC 遠處轉(zhuǎn)移的預(yù)測模型， 該模型可以評估新診斷FTC 的遠處轉(zhuǎn)移風險，并與Logistic 回歸等經(jīng)典統(tǒng)計模型相比取得了較好的診斷性能（ML 模型AUC 值為0.855，傳統(tǒng)LR 算法AUC 值為0.845）。

4.2 深度學習

深度學習是ML 的分支，學習過程之所以是深度性的，是因為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的結(jié)構(gòu)由多個輸入、輸出和隱藏層構(gòu)成。每個層包含的單元可將輸入數(shù)據(jù)轉(zhuǎn)換為信息，供下一層用于特定的預(yù)測任務(wù)。 得益于這種結(jié)構(gòu)，機器可以通過自身的數(shù)據(jù)處理進行學習，極大地降低了數(shù)據(jù)處理與分析的難度。 Seo JK 等[28]利用CNN 建立了一個圖像識別模型， 該模型專注于捕捉FTA 邊界區(qū)域的特征， 而忽略了甲狀腺結(jié)節(jié)圖像內(nèi)部區(qū)域的特征，獲得了89.52%準確度。但這項研究只使用了39 個FTA和39 個FTC 來訓練CNN 模型。Yang B 等[29]在其CNN模型中考慮了濾泡性腫瘤的整體病變， 從而將FTC和FTA 的分類準確度提高到96%。 模型的準確度往往取決于從圖像分割結(jié)果中提取的特征，但由于甲狀腺超聲圖像的復雜背景，F(xiàn)TC 與FTA 結(jié)節(jié)往往具有弱邊緣和不均勻的區(qū)域。 Youn I 等[30]基于級聯(lián)學習結(jié)構(gòu)，將特定層次整合，使用Res-U-Net 對分割結(jié)果進行細化。 實驗表明，該分割方法能為后續(xù)的分類提供更準確的模板，并能有效融合不同的特征，對甲狀腺濾泡圖像的良惡性進行分類，極大地提升了模型診斷準確度。 在前者的基礎(chǔ)上，Zheng H 等[31]擴大了訓練集， 將138 例FTC 患者的351 幅圖像和274 例FTA患者的808 幅圖像組成1 159 幅圖像的數(shù)據(jù)集，利用殘差網(wǎng)絡(luò)的轉(zhuǎn)移學習對模型進行訓練和測試， 并與6名超聲科醫(yī)生的診斷進行對比，結(jié)果顯示：該計算機輔助診斷系統(tǒng)的準確度為84.66%，而初級和高級超聲科醫(yī)生的準確度為56.82%和64.20%。 在計算機輔助設(shè)計的幫助下，初高級超聲科醫(yī)師的準確度分別提高到62.81%、73.86%。 該方法不僅可以獲得比超聲科醫(yī)生更好的診斷效果，而且可以顯著提高放射科醫(yī)生對FTC 的診斷水平。

5 結(jié)論與展望

甲狀腺濾泡性腫瘤的鑒別診斷是臨床的熱點問題，由于FTC 與FTA 二者在聲像圖上的高度相似性，利用常規(guī)超聲很難診斷，但目前利用超聲造影、彈性成像等技術(shù)對FTC 的研究較少， 尚不能作為單獨的診斷依據(jù)。 超聲引導下的FNA 是診斷甲狀腺結(jié)節(jié)良惡性的“金標準”，但由于FTC 獨特的病理學特征，單獨利用FNA 診斷很容易造成漏診或誤診， 結(jié)合免疫組織化學有助于提升診斷準確度，然而目前仍未有公認的FTC 腫瘤標志物， 在臨床上難以大規(guī)模投入應(yīng)用。 隨著醫(yī)學檢驗技術(shù)日新月異，質(zhì)譜成像、NGS、紅外光譜等技術(shù)均在FTC 領(lǐng)域有了一定的突破。 AI 的迅猛發(fā)展，也為FTC 的診斷提供了新方向。 目前，甲狀腺濾泡性腫瘤的臨床管理仍是亟需解決的難題，需要進一步的研究。