人工智能在甲狀腺及甲狀旁腺疾病外科診療中的研究進展2025近年來人工智能技術正在賦能各個行業，引領產著眼于人工智能在甲狀腺及甲狀旁腺疾病外科方面的研究和應用進展，并探討未來的發展在賦能各個行業，引領產業升級。人工智能在醫航定位等方面的進步，正在為整個醫學帶來革及甲狀旁腺疾病外科診療中的應用，著重闡述基統在術前評估、術中輔助決策和術后預測預后等方面的研究和應用進展，(一)基于超聲的甲狀腺結節術前診斷超聲檢查作為一種無創、方便、經甲狀腺結節的性質和種類進行更精準的診斷。Li等[1]利用DCNN框架進行了一個回顧性多隊列診斷性研究，收集了17627例甲狀腺癌患者的131731張超聲圖像和25325例對照的180668張超聲圖像，建立DCNN模型并進行訓練。該模型在內部驗證集、外部驗證集1和2的工作特征曲線下面積(AUC)分別為0.947、0.912和0.908。與熟練的超甲狀腺結節檢測模型TNet,回顧性分析719張甲狀腺圖像，TNet平均準確率為86.5%。Wang等[3]利用YOLOv2神經網絡，建立自動超聲圖像識別與診斷系統。收集并標記了來自276例患者2450個良性甲狀腺結節和2557個惡性甲狀腺結節的圖像，準確率為90.31%。Wang等[4]構建了ITS100動態人工智能超聲診斷系統，回顧性分析607例患者的1007個甲狀腺結節的超聲資料，準確率為89.97%。Zhang等[5]采用隨機森林算法構建模型，收集2064個甲狀腺結節超聲資料，發現其診斷效能優于單純常規超聲(AUC:0.924比0.834)。Zhang等6]提出了一種基于半監督圖卷積網絡的域適應框架，共收集1498例患者的數據，包括12108張在3種不同超聲設備下的甲狀腺聲像，在多源域適應任務中的準確率為0.8829。Chi等[7]基于GoogLeNet模型構建甲狀腺，對于開放獲取數據庫中的圖像，其分類準確率為98.29%。Song等[8]基于Inception-V3模型，利用ImageNet數據庫對模型進行預訓練，在內部測試集(n=55)中靈敏度為95.2%,外部測試集(n=100)中靈敏度為94.0%。除此以外，彈性成像技術(SWE)能提供甲狀腺癌結節硬度信息，加入SWE后機器學習輔助診斷模型的診斷效能優于單獨超聲，在測試集中(AUC:0.953比0.917),將不必要細針穿刺活檢(FNA)率從37.7%下降到4.7%[9]。甲狀腺濾泡狀腺瘤和甲狀腺濾泡癌的鑒別驗。而人工智能模型雖然學習能力上和人類大腦經驗(尤其是一些罕見情況的經驗)上較人類大腦有顯著優勢。尤其在常性分析607例患者共699個甲狀腺結節，其中惡性結節168個。該模型準確率可達到0.71,優于經驗豐富的超聲科醫師。目前已經有多種商業化AmCAD-UT?Detection是首個利用超聲診斷甲狀腺結節的商業化系統，在300個甲狀腺結節的外部驗證研究中，其顯示出與超聲科醫師相似的敏感性，但特異性(68.8%比91.2%)較低[11]。由浙江大學團隊開發的德尚韻興DEMETICS?甲狀腺結節良惡性的輔助診斷系統也成功進行了商業化，敏感性達到95%,特異性達到85%。還有S-Detect等模型，在此不一一贅述[12]。(二)基于FNA病理圖片的人工智能診斷模型率和準確度。Hirokawa等[13]利用EfficientNetV2-L17模型對甲狀腺結節進行分類。收集了包括393例患者的148395張甲狀腺FNA圖像，除了甲狀腺低分化癌精確召回率曲線下面積(PRAUC)為0.49,甲狀腺髓樣癌PRAUC為0.91,其他腫瘤類別的PRAUC為0.95。其中濾泡性腺瘤和濾泡癌的召回率分別為86.7%和93.9%。ElliottRange等 [14]利用CNN算法設計了兩種預測甲狀腺惡性結節模型。一種用于識在測試集中該模型的靈敏度和特異度分別為92.0%和90.5%。Gopinath和Shanthi[15]綜合了4種機器學習算法，構建了甲狀腺結節良惡性分類模型，其中2種模型的準確率為90%。Radebe等[16]在67例患聲以及人口學統計學資料，該模型將準確率提高了11.90%。Dov等[17]利用CNN模型構建了基于FNA的甲狀腺結節良惡性篩查模型，總共納入908個FNA數據，該模型的診斷結果與病理學家的診斷結果基本一致。相結合，利用機器學習算法構建甲狀腺結節分類模型，共納入124例患者的1535個甲狀腺細胞簇，FNA圖像、RI圖像及兩者聯合使用的機器學習分類模型的準確率分別為98.0%、98.0%和100%。而對于濾泡性腫瘤，利用ANN模型構建基于FNA的濾泡性腫瘤早診模型，收集了訓練集39例、驗證集和測試集各9例的FNA圖片，在測試集中，ANN模型成功區(三)基于CT的甲狀腺結節分類模型基于CT圖像的人工智能分析技術已相當成熟。Zhang等[20]利用CNN網絡建立了基于CT圖像的甲狀腺疾病的多類分類模型，準確率為0.909、精密度為0.944、召回率為0.896、特異度為0.994。由于CT圖像信息更容易構建3D模型，未來人工智能或可根據CT表現對病變良惡性進行預測；自動識別甲狀腺腫瘤區域并分割其范圍，判斷局部組織浸潤情況；三維數字化模型，顯示腫瘤與重要血管、神經(四)轉移情況淋巴結轉移風險，指導術中淋巴結清掃策略，是甲狀腺外科面臨的難題。轉移(CLNM)的人工智能模型，納入了3359例甲狀腺乳頭狀癌(PTC)患者的超聲和臨床信息資料，此模型在訓練組中AUC為0.812,在內部及外部驗證組分別為0.809和0.829。Li等[22]利用多種算法建立以CT圖像為基礎的CLNM預測影像組學模型，收集678例PTC患者的臨床資料，從每例患者術前的平掃和增強CT圖像中提取影像組學特征，該預測模型的靈敏度和準確度均優于經驗豐富的放射科醫師。Feng等[23]回顧性分析1236例行甲狀腺切除術的臨床資料，采用8種機器學習算法對側頸淋巴結轉移(LLNM)進行風險預測，在8種機器學習算法中，隨機森林的AUC最高(0.975),靈敏度和特異度分別為0.903和0.959。Lai等[24]收集了1815例甲狀腺癌患者[其中1135例(62.53%)發生LLNM]的臨床資料，利用6種成熟的機器學習算法進行建模，其中最佳算法為隨機森林算法，AUC能達到0.80,準確度為0.74。Liu等[25]回顧性分析了Surveillance,Epidemiology,andEndResults數據庫 (SEER)中17138例患者[166例發生骨轉移(0.97%)]的臨床病理測準確度0.904。(五)甲狀旁腺腺瘤的篩查術前影像學檢查定位病變甲狀旁腺是甲狀旁腺切除術的前提。Sandqvist等[26]建立了以99mTc-Sestamibi-SPECT/CT圖像為基礎的模型，對病變甲狀旁腺的術前定位進行了機器學習，該研究納入了349例接受甲狀旁腺切除術、病理證實為甲狀旁腺腺瘤、術后6個月血鈣恢復正常的患者，其中單腺體病變(SGD)患者占93%(324/349),多腺體病變(MGD)患者占7% (25/349),以決策樹算法為基礎構建模型，在交叉驗證時，此模型的總體準確度為90%,對MGD患者的真陽性預測率為72%。Apostolopoulos等[27]構建了名為ParaNet的CNN模型，通過對MIBI不同期相信息和TcO4甲狀腺掃描圖像同時進行分析，從而對異常旁腺(aPG)和正常旁腺(nPG)進行初步鑒別，ParaNet在區分aPG和nPG掃描的準確率最高達到96.56%。其敏感性和特異性分別為96.38%和97.02%。(六)見的并發癥。Seib等[28]基于SuperLearner算法構建甲狀腺手術并發癥預測模型。收集17987例甲狀腺手術患者數據，其中喉返神經損傷、出院前或術后30d內低鈣血癥和頸部血腫的發生率分別為6.1%、6.4%、9.0%和1.8%。對于術后低鈣血癥，該模型將接受者操作特征曲線下面積 (AUROC)從0.70提高至0.72。(一)喉返神經識別喉返神經是甲狀腺及甲狀旁腺手術中的重點保護結構。Gong等[29]利用130例患者的277張圖像，通過語義分割算法開發了在開放甲狀腺手術場景下喉返神經識別和術中導航的深度學件(近距離和中等光照)下獲得了較強的分割性能，平均dice相似系數為0.707,這項工作為將可移動的智能工具集成到手術中改善手術流程提供了可能。在經胸乳腔鏡甲狀腺手術的應用場景個視頻共153520幀圖片納入研究。以D-Linknet模型為基礎建立機器學習模型。在高辨識度組中，靈敏度及精確率分別為92.9%/72.8%及85.8%/67.2%,而在低辨識度組中則分別為47.6%/54.9%及37.6%/43.5%[30]。在經腋窩腔鏡甲狀腺手術應用場景中，筆者的研究中納入了38個視頻中累計35501幀圖像，采用PSPNet的語義分割模型進行訓練，當IOU閾值設為0.1時，模型在高、中、低辨識度組中的靈敏度和精確率分別達到了100.0%/92.1%、95.8%/80.2%及81.0%/80.6%;而當IOU閾值提高到0.5時(代表有效定位喉返神經),靈敏度和精確率則分別為92.6%/85.3%、71.7%/60.5%及(二)甲狀旁腺識別甲狀旁腺功能減退是甲狀腺全切除術后最常見的并發癥之一。Wang等[32]開發了腔鏡甲狀腺手術中甲狀旁腺實時識別模型，共納入166個腔鏡甲狀腺切除術視頻中的1700張甲狀旁腺圖像，使用多種機器學習算機器學習模型、高年資和低年資醫師的甲狀旁腺識別率分別為96.9%、87.5%和71.9%。利用人工智能模型進行近紅外圖像的甲狀旁腺自發熒光的識別也具有重大臨床意義。Avci等[33]利用來自197例甲狀腺和(或)甲狀旁腺切除術患者共466張術中近紅外圖像，基于Google'sAutoMLsystem構建深度學習模型。最終在測試集中此模型的總體召回率和精確率分別為90.5%和95.7%。(三)術中冰凍切片預測PTC患者淋巴結轉移甲狀腺癌手術中常進行中而，冰凍切片檢查淋巴結的敏感度約為50%~60%,存在一定的假陰性率。Liu等[34]開發了一種應用于術中冰凍切片預測PTC患者淋巴結轉移的深度學習模型(ThyNet-LNM),使用1120例患者的1987份術中冰凍切片圖像進行訓練。在獨立的內部測試集(來自280例患者的479個冰凍切片)和三個外部測試集(來自692例患者的1335個冰凍切片)或兩者聯合。397例臨床淋巴結陰性(cNO)患者經ThyNet-LNM后，不必要的淋巴結清掃率由56.4%降至14.9%。來源的3060例分化型甲狀腺癌遠處轉移患者的臨床特征資料，以XGB算法為基礎，使用9個變量(診斷時的年齡、性別、種族、腫瘤大小、組織學類型、區域淋巴結轉移、原發部位手術、放療和化療)建立了機器學習預測模型，該模型在測試集中的AUC為0.864。Park和Lee[36]納的準確性均≥90%。Mourad等[37]利用癌患者臨床特征，將多層感知器(MLP)神經網絡和特征選擇算法相結合構建生存期預測模型，準確率可達到94.49%。(二)術后語音恢復預測甲狀腺術后患者出現語音不良問題的情況很常用術前和術后語音譜圖來預測患者3個月后的嗓音恢復情況，回顧性收集114例接受手術治療的甲狀腺癌患者的嗓音及GRBAS評分，該模型對于GRBAS系統5個評分的平均AUC值為0.822。(三)術后131I顯像檢測甲狀腺組織及淋巴結殘留切除后全身放射性核素掃描(RxWBSs)可以顯示PTC切除術后殘余攝碘轉移淋巴結，并有助于準確分期。然而，嚴重的噪聲偽影、解剖等[39]分析了230例行甲狀腺全切除+放射性碘治療的PTC患者的臨床資料，利用多層全連接網絡(MFDN)構建轉移淋巴結和甲狀腺殘余組織的自動識別模型。該模型對轉移性淋巴結的識別準確率可達到84.7%~85.3%,對甲狀腺殘余組織的識別準確率可達到95.9%~96.0%。的發展。相較于工業革命(蒸汽機、內燃機、電動機)將人類從繁重、重解放出來。在醫學領域的應用逐漸受到關注，其領域中的應用也取得了一些突破性進展。首先經驗和視覺判斷，存在一定的主觀性和不確定