论文部分内容阅读
第一部分:基于甲状腺超声影像的卷积神经网络的初步构建目的:构建一个基于甲状腺超声图像的卷积神经网络（Convolutional Neural Networks,CNN）分类模型并对其做优化处理,验证其对甲状腺结节良恶性鉴别诊断价值。方法:收集2019年4月-2020年5月期间于我院行甲状腺切除手术患者的甲状腺超声原始图像作为训练数据,将所有图像按照7:3分成训练集和测试集,勾勒超声图像中每个病灶的感兴趣区域（Region of Interest,ROI）,以手术病理为金标准对图像进行良恶性的标注,将图像预处理后输入设计的CNN然后预测输出,通过网络优化将损失函数最小化以实现模型参数更新,最后展开测试集验证。结果:甲状腺超声CNN模型对甲状腺结节良恶性的诊断灵敏度为88.07%,特异度81.50%,准确度83.26%,受试者工作特征（Receiver Operating Characteristic,ROC）曲线下面积（Area Under Curve,AUC）为0.9224。结论:甲状腺超声CNN模型具有较高的分类准确度,对甲状腺结节良恶性具有较高的诊断效能。第二部分:甲状腺结节人工智能在TI-RADS 4类结节中的应用目的:应用甲状腺超声CNN模型评估常规超声甲状腺影像报告与数据系统（Thyroid Imaging Reporting and Data System,TI-RADS）分类为4类的甲状腺结节,探讨人工智能（Artificial Intelligence,AI）在TI-RADS 4类结节的超声诊断中的应用价值。方法:收集2020年6月-2020年12月期间于我院行甲状腺超声检查诊断为甲状腺肿物且TI-RADS分类为4类的、后行甲状腺切除手术病理证实的患者作为研究对象,按TIRADS分为TI-RADS 4a、TI-RADS 4b、TI-RADS 4c类,将4a类归为阴性组,4b、4c类归为阳性组。本研究共纳入TI-RADS 4类结节161例,按照手术病理结果分为,恶性组106例（65.8%）,良性组55例（34.2%）。应用甲状腺超声CNN模型对其评估,以手术病理结果为金标准,得出灵敏度、特异度、准确度,绘制甲状腺超声CNN模型对TI-RADS 4类结节良恶性评估的ROC曲线,计算AUC,分析甲状腺超声CNN模型对甲状腺结节良恶性的诊断价值。结果:本研究共纳入TI-RADS 4a类结节有29例（18.0%）;TI-RADS 4b类有35例（21.7%）;TI-RADS 4c类有97例（60.2%）。TI-RADS诊断灵敏度为93.81%,特异度为64.13%,准确度为76.40%。甲状腺超声CNN模型对TI-RADS4类结节良恶性评估的灵敏度为90.74%,特异度83.60%,准确度88.26%,其AUC（0.873）高于TI-RADS分类（0.766）,AI整体诊断效能优于TI-RADS。结论:本研究构建的基于甲状腺超声图像的CNN模型与TI-RADS分类联合使用,对于TI-RADS 4类、且AI诊断为低危结节,可建议随访;对于TI-RADS4类、且AI诊断为高危结节,可建议细针穿刺或甲状腺切除手术。