基于深度学习的甲状腺结节超声影像分类：传统与深度迁移学习融合的精准诊断

《BMC Cancer》：Thyroid nodule classification in ultrasound imaging using deep transfer learning

甲状腺结节诊断在临床中面临挑战，浙江荣军医院研究人员开展甲状腺结节超声影像分类研究。通过对比传统机器学习和深度迁移学习，融合 SVM 与 Inception V3 模型，结果显示融合模型能有效区分良恶性结节，为临床诊断提供新工具。

　　甲状腺结节在普通人群中的患病率高达 65%，不过其中仅有约 10% 为恶性。但令人担忧的是，甲状腺癌的发病率在各性别、种族和年龄组中都呈逐年上升趋势。在甲状腺结节的诊疗过程中，超声检查是评估癌症风险以及决定是否进行细针穿刺活检（FNA）的主要手段 。然而，超声诊断结果存在一定的主观性，容易受到医生经验等因素的影响。为了提高甲状腺结节诊断的准确性，减少不必要的活检，研究人员开展了相关研究。

浙江荣军医院的研究人员针对甲状腺结节的诊断问题展开了深入探究。他们将传统机器学习算法与深度迁移学习模型相结合，对甲状腺结节在超声影像中的表现进行分析，旨在区分甲状腺结节的良性和恶性，为临床诊断提供更精准的依据。该研究成果发表在《BMC Cancer》上。

研究人员采用了多种关键技术方法。首先，从浙江荣军医院选取符合条件的患者，收集其甲状腺结节的超声影像数据。利用 ITK-Snap 软件对图像进行预处理和特征提取，通过最小绝对收缩和选择算子（LASSO）回归方法进行特征筛选和降维。分别运用传统机器学习和迁移学习方法构建模型，最后使用后融合技术进行模型融合 。通过计算受试者工作特征曲线下面积（AUC）、校准曲线分析以及决策曲线分析（DCA）等方式评估模型性能。

研究结果主要包含以下几个方面：

• 患者特征与数据分组：研究共纳入 630 例患者的 1134 张甲状腺结节超声图像，其中良性结节图像 589 张，恶性结节图像 545 张。患者平均年龄为 52.19±13.298 岁。按照 8:2 的比例随机分层抽样，将数据分为 907 张图像的训练集和 227 张图像的验证集。经分析，训练集和测试集在患者年龄、性别、肿瘤最大直径等多方面无统计学差异。同时发现年龄、C-TIRADS、结节成分和回声是甲状腺恶性结节的独立预测因素。
• 特征筛选与模型构建：从每个病变中提取 108 个传统影像组学特征，经筛选最终保留 8 个显著特征。在卷积神经网络技术方面，使用在 ImageNet 数据集上预训练的 VGG16、ResNet50 和 Inceptionv3 深度卷积神经网络进行迁移学习，最终选择 Inceptionv3 作为深度迁移学习的最优模型，其特征压缩后有 32 个特征。
• 模型评估与比较：在传统机器学习模型中，支持向量机（SVM）在甲状腺结节分类诊断中表现最佳。在深度迁移学习模型中，Inception V3 性能最优，准确率为 72.2%，AUC 为 0.763（95% CI：0.702 - 0.825）。模型融合后，测试集的 AUC 提升至 0.783（95% CI：0.724 - 0.841）。通过 Delong 检验发现，融合模型与传统机器学习模型的差异具有统计学意义（p=0.036） 。校准曲线显示模型预测与实际观察具有良好的一致性，决策曲线分析表明融合模型在广泛的阈值概率范围内提供了更高的净效益，具有优越的临床实用性。

在研究结论与讨论部分，研究表明基于卷积神经网络（CNN）的融合模型，融合了传统机器学习和深度迁移学习技术，能够通过分析超声图像有效区分甲状腺结节的良恶性。这种融合方法优化并提升了诊断性能，为甲状腺疾病的检测提供了一种强大且智能的解决方案，有助于提高诊断准确性，减少不必要的活检，为甲状腺结节的临床评估提供更可靠的决策依据。不过，该研究也存在一定的局限性，如样本量相对较小，可能限制研究结果的普遍性；回顾性研究设计可能引入选择偏倚；数据集主要为静态超声图像，未来研究可考虑纳入视频分析以进一步提高诊断准确性；此外，融合模型可能受到计算需求和过拟合问题的限制 。尽管如此，该研究成果依然为甲状腺结节的诊断开辟了新的方向，为后续研究和临床实践提供了重要的参考。