一項新研究表明，將人工智能(AI)與甲狀腺超聲結(jié)合使用可提供一種快速，無創(chuàng)的??甲狀腺癌篩查方法。

這項發(fā)表在《 PLOS Pathogens》雜志上的研究表明，自動化機器學(xué)習(xí)顯示出有望作為一種可以提高甲狀腺癌診斷效率的附加診斷工具。

研究的主要作者，美國托馬斯·杰斐遜大學(xué)的約翰·艾森伯里說：“機器學(xué)習(xí)是一種低成本，高效的工具，可以幫助醫(yī)生更快地決定如何處理不確定的結(jié)節(jié)。”

根據(jù)研究人員的說法，目前超聲波可以判斷結(jié)節(jié)是否可疑，然后決定是否進行穿刺活檢，但細針活檢僅充當(dāng)窺視孔，無法顯示整個圖像。

結(jié)果，一些活檢返回關(guān)于結(jié)節(jié)是惡性還是癌性的不確定性結(jié)果。

為了提高超聲一線診斷的預(yù)測能力，研究人員研究了Google開發(fā)的機器學(xué)習(xí)或AI模型。他們將機器學(xué)習(xí)算法應(yīng)用于患者甲狀腺結(jié)節(jié)的超聲圖像，以查看它是否可以識別出不同的模式。研究人員在121位接受超聲引導(dǎo)的細針穿刺活檢并隨后進行分子檢測的患者的圖像上對該算法進行了訓(xùn)練。

根據(jù)分子測試中使用的一組基因，在總共134個病變中，有43個結(jié)節(jié)被歸類為高危，而91個被歸類為低危。該算法從這組標(biāo)記圖像中利用機器學(xué)習(xí)技術(shù)來選擇與高風(fēng)險結(jié)節(jié)和低風(fēng)險結(jié)節(jié)相關(guān)的模式。

它使用這些模式形成自己的內(nèi)部參數(shù)集，這些內(nèi)部參數(shù)可用于對將來的圖像集進行排序。它本質(zhì)上是在這項新任務(wù)上進行了“培訓(xùn)”。

然后，研究人員在另一組未標(biāo)記圖像上測試了訓(xùn)練后的模型，以查看與分子測試結(jié)果相比，該模型如何能對高和低遺傳風(fēng)險結(jié)節(jié)進行分類。

研究人員發(fā)現(xiàn)，他們的算法以97%的特異性和90%的預(yù)測陽性值執(zhí)行，這意味著該算法真正有良性結(jié)節(jié)的患者中有97%的超聲將其超聲讀為“良性”，而惡性或“陽性”的患者則有90%按照算法分類，結(jié)核實際上是陽性的。