编辑推荐：
为解决甲状腺癌诊断中，不确定甲状腺结节诊断困难及基因突变预测挑战等问题，中山大学附属第八医院等单位研究人员开展甲状腺细胞学图像预测 BRAFV600E和 RAS 突变研究。结果良好，能辅助诊断，推荐科研读者阅读。
在医学领域，甲状腺癌是内分泌系统中最常见的恶性肿瘤之一。随着超声检测技术的进步，甲状腺结节的检出率大幅提高。甲状腺癌主要分为乳头状甲状腺癌（PTC，70 - 90%）、滤泡状甲状腺癌（FTC，5 - 10%）、未分化甲状腺癌（ATC，2%）和髓样甲状腺癌（MTC，2% 以下） 。其中，大部分 PTC 患者在接受标准治疗后预后良好，10 年生存率可达 96%，但仍有 5 - 10% 的患者会发展为晚期疾病，预后较差。所以，早期精准诊断对患者来说至关重要，它能避免过度治疗或治疗不足。
目前，超声引导下的细针穿刺（FNA）结合液基薄层细胞学（TCT）是临床鉴别甲状腺结节良恶性的可靠方法。不过，当遇到细胞学特征不明显的结节时，病理学家依据贝塞斯达系统（TBS）分类，会将其归为不确定类别（TBS3：意义不明的不典型增生或 TBS4：意义不明的滤泡性肿瘤 / 滤泡性病变），这让诊断陷入困境。随着诊断技术的发展，分子检测融入了甲状腺癌的诊疗过程。对 FNA 样本进行基因分析，不仅能提高术前细胞学诊断的准确性，还能预测侵袭风险，为甲状腺结节患者的治疗决策提供信息。
在甲状腺癌的发生和发展过程中，丝裂原活化蛋白激酶（MAPK）和磷脂酰肌醇 3 - 激酶（PI3K）这两条信号通路的基因改变起着重要作用。其中，BRAFV600E突变在超过 80% 的 PTC 患者中被发现，RAS（包括 NRAS、KRAS、HRAS）突变则出现在 10 - 15% 的 PTC 患者中。这些突变激活了 MAPK 信号通路，促进了甲状腺肿瘤的进展和转移。此外，BRAFV600E突变还与放射性碘治疗的敏感性降低密切相关，而 RAS 基因突变在甲状腺腺瘤中较为常见，凸显了其在甲状腺滤泡细胞癌变中的重要性。
传统的基因分析方法，如扩增阻滞突变系统聚合酶链反应（ARMS PCR），虽然灵敏度和特异性较高，但在临床应用中受到诸多限制，比如对实验室和样本质量要求苛刻、实验步骤耗时、专业人员稀缺等。
随着深度学习技术的飞速发展，许多人工智能（AI）辅助诊断系统在肿瘤病理学领域涌现，可用于肿瘤分类、预后预测以及基因突变评估等任务。在甲状腺病理学诊断方面，已有不少研究利用 AI 技术取得了一定成果，但从甲状腺结节的 FNA 切片预测基因突变，从而增强对不确定组的恶性诊断和对 PTC 组的预后风险评估，仍然极具挑战性。
为了解决这些问题，中山大学附属第八医院等单位的研究人员在《Diagnostic Pathology》期刊上发表了题为 “Multimodal cascaded deep convolutional network for genetic mutation prediction in thyroid cytology” 的论文。研究人员提出了一种多模态级联深度卷积框架，旨在通过甲状腺细胞学全切片图像（WSIs）来预测 BRAFV600E和 RAS 基因突变，为甲状腺癌的诊断和治疗提供更有力的支持。
研究人员为开展这项研究，用到了几个主要关键的技术方法。首先是数据处理技术，收集了 702 个不同甲状腺结节的细胞学切片，经专家病理学家诊断后，将样本分为训练集、验证集和外部测试集，并对图像进行预处理，生成固定大小的图像块，同时过滤掉空白背景和噪声。其次，采用了少样本学习策略，仅对少量样本进行标注来训练区域分类器，减少人工标注工作量的同时保持良好的泛化能力。最后，构建了多模态分类器，将图像特征和临床文本记录相结合，通过多模态特征编码和多头注意力机制来预测基因突变类型 。
下面来看看具体的研究结果。
- 少样本区域分类：少样本区域分类模型生成的概率图显示，预测概率越高，图像块中包含有效诊断细胞的可能性越大。研究人员设定高阈值（0.75），选择预测概率在 0.75 - 1.00 的图像块，用于后续基因突变评估模型的训练和验证，以确保所选图像块的可靠性。
- 多模态基因突变估计：在 BRAF 突变估计任务中，该方法在训练集、验证集和外部测试集的 AUC 值分别达到 0.938（95% CI：0.917 - 0.960）、0.905（95% CI：0.849 - 0.962）和 0.902（95% CI：0.839 - 0.965）；在 RAS 突变估计任务中，训练集、验证集和外部测试集的 AUC 值分别为 0.881（95% CI：0.812 - 0.951）、0.802（95% CI：0.621 - 0.984）和 0.801（95% CI：0.663 - 0.938）。这表明该方法在 BRAF 突变估计方面具有更高的准确性和稳定性。研究人员还展示了 BRAF 和 RAS 突变的代表性病例，通过观察不同突变概率的图像块，进一步分析了图像特征与基因突变之间的关系。
在研究结论和讨论部分，研究人员提出的多模态级联深度卷积框架具有重要意义。此前的研究大多聚焦于甲状腺结节良恶性的分类，而该研究首次利用深度神经网络（DNN）模型在不同诊断细胞学切片中完成全面的基因预测。少样本学习策略的运用，极大地减少了人工标注需求，同时保持了较高的分类泛化能力。利用深度卷积网络估计 BRAF 和 RAS 基因突变，为病理学家评估风险和指导治疗提供了更便捷的手段。
不过，这项研究也存在一些局限性。由于 RAS 突变数据分布相对不均衡，在区分 RAS 野生型和突变型时面临挑战，有限的阳性样本数量可能影响模型训练效果和数值的可靠性。而且，PTC 的发生和发展是一个复杂的多因素过程，研究仅关注了 BRAFV600E和 RAS Q61R 这两个热点突变，可能会误判未检测到的非热点突变或融合基因的病例，导致野生型组的异质性增加，降低模型整体准确性。此外，模型在预测过程中，由于缺乏同一张 WSI 中相邻图像块的内部连接，可能出现不一致的预测结果，而且级联分类管道中的模型分别训练和优化，需要额外的计算时间和存储。
为了改进这些不足，研究人员提出在未来的研究中，可以纳入更全面的基因组分析，捕获更多类型的突变和融合基因，提高病例分类的准确性。同时，探索构建具有共享参数和目标函数的统一模型，以提升计算效率。此外，使用包含更多临床中心、种族多样性和基因改变的更大数据集进行评估，能更全面地验证该方法的有效性和泛化性。
总的来说，这项研究为甲状腺癌的基因诊断开辟了新的道路，尽管还存在一些需要改进的地方，但它为后续研究指明了方向，有望在未来进一步提高甲状腺癌的诊断和治疗水平，为患者带来更多的希望。
