人工智能辅助超声诊断与滤泡性甲状腺肿物分层：一项多中心研究

这对有甲状腺结节的人意味着什么

许多人在常规体检中发现甲状腺结节，随后会经历焦虑的等待期，想知道结节是良性还是癌性。该研究探讨人工智能（AI）是否能比人类专家更准确地解读一类特定的甲状腺增生——称为滤泡性肿物——的超声图像，从而帮助患者避免不必要的手术，同时确保不会漏诊有危险的肿瘤。

当良性与恶性外观相似

滤泡性甲状腺肿瘤主要有两种形式：腺瘤（良性）和癌（可侵袭血管并发生转移）。在显微镜下以及超声影像上，这些肿瘤常常表现得极为相似。即便是经验丰富的放射科医师和病理学家，在术前也常难以区分，因而许多患者不得不接受部分或全部甲状腺切除以获得确诊。风险很高：有些癌仅为轻度侵袭、预后良好，而另一些则更具侵袭性，因此准确判定类型会影响患者实际需要的手术范围与随访强度。

教计算机解读甲状腺超声

研究人员汇集了迄今为止最大的滤泡性甲状腺超声图像库之一，来自中国31家医院的2,567名患者。对每个结节，放射科医师在标准的黑白超声图像上勾画出相关区域。研究团队基于一种名为ConvNeXt的现代视觉架构，分阶段训练了深度学习系统。首先，它学习区分良性腺瘤与癌。接着，在癌中再学习将其划分为侵袭性较低和侵袭性较高的亚型，大致对应低、中、高风险疾病。团队还比较了不同类型的超声信息，发现简单的B型——标准灰度图像——对AI更可靠，而彩色血流图像因质量差异过大，表现不稳定。

AI在真实世界中的表现如何

为了检验该系统在构建环境之外的泛化能力，作者在来自其他医院的三组独立患者队列上进行了测试，每组中良性与恶性肿瘤的比例不同。在这些中心中，AI在区分腺瘤与癌方面表现稳定，准确性指标（AUC值）约为0.82到0.85。它在更具挑战性的任务上同样表现良好：将肿瘤分为三类——良性、微小侵袭性癌和更具侵袭性的癌——并在各医院间保持较高性能。重要的是，模型对男性和女性、不同手术方式及大多数地理区域均表现相近，表明其在广泛临床场景中具有潜在适用性。

与放射科医师协同工作，而非取代

研究还提出了一个务实问题：该AI是否真的能帮助医生做出更好决策？当放射科医师仅使用既有的甲状腺超声评分系统时，他们识别癌性的能力明显弱于AI。当向其展示AI的输出及同一图像上的“注意力图”时，医生的准确率有所提升，有时几乎达到计算机的水平。初级医生获益最大，但即便经验丰富的专家也获得了优势。同时，对AI出错病例的分析揭示了一个关键弱点：在这些图像中，系统倾向于关注真肿瘤之外的区域，而非可疑的内部特征，这提示需要在这些方面进一步改进。

这对患者可能意味着什么

简而言之，这项工作表明，经过良好训练的AI可以作为读片时一双高度一致的“第二只眼睛”。对于滤泡性甲状腺结节患者，这类工具有望提高术前识别危险性癌的概率，同时降低无害腺瘤导致过度治疗的风险。该模型尚不能取代专家判断，仍需在其他国家和更异质的患者群体中进一步验证。但作为超声工作站或扫描仪的一部分，它可能很快帮助将手术和随访量身定制到每位患者的真实风险水平，使曾经模糊的甲状腺诊断变得更清晰可行。

引用: Li, J., Zhang, H., Zheng, H. et al. Artificial intelligence-enabled ultrasound diagnosis and stratification of follicular thyroid neoplasms: a multi-center study. npj Digit. Med. 9, 313 (2026). https://doi.org/10.1038/s41746-026-02489-6

关键词: 甲状腺超声, 滤泡性肿物, 人工智能, 癌症风险分层, 医学影像