【鑒于超聲檢查在甲狀腺結(jié)節(jié)中的重要地位，許多甲狀腺疾病或影像學(xué)會(huì)都專門(mén)制定了一系列甲狀腺結(jié)節(jié)的超聲分類系統(tǒng)，以期有效地指導(dǎo)臨床。這些不同的分類系統(tǒng)各有優(yōu)劣，我們把它們匯總在一起，供大家批判性學(xué)習(xí)?！?/p>
上一次我們介紹完ACR TI-RADS分類系統(tǒng)后，出了一道小測(cè)試題，讓大家給下面這個(gè)結(jié)節(jié)按照ACR TI-RADS分類系統(tǒng)評(píng)分并分類。
盡管我們已經(jīng)盡可能地用最簡(jiǎn)單最清晰的語(yǔ)言給大家介紹這一分類的標(biāo)準(zhǔn)，但我們還是看到朋友們給這個(gè)結(jié)節(jié)的評(píng)分還是五花八門(mén)，從0分到7分的都有，分類從TR1到TR5都有。
這種差別被稱為觀察者間的不一致性，這種不一致性是由于不同觀察者對(duì)于相關(guān)內(nèi)容、知識(shí)的認(rèn)知不一致而導(dǎo)致的，是一種無(wú)法消除的誤差。一個(gè)設(shè)計(jì)越復(fù)雜的系統(tǒng)、參數(shù)越多的系統(tǒng)，觀察者間的不一致性就越大。
為了克服觀察者間的不一致性，使ACR TI-RADS具有更好的實(shí)用性，也為了保持高敏感性的同時(shí)簡(jiǎn)化分類和提高特異性。研究者利用人工智能優(yōu)化算法后對(duì)現(xiàn)行的ACR TI-RADS進(jìn)行修訂，形成了所謂 AI TI-RADS（人工智能甲狀腺成像報(bào)告和數(shù)據(jù)系統(tǒng)）。
AI TI-RADS（人工智能甲狀腺成像報(bào)告和數(shù)據(jù)系統(tǒng))是對(duì)2017 ACR TI-RADS 的數(shù)據(jù)延伸分析和修訂。該研究發(fā)表于2019年5月2日的“Radiology”，其目的是在保持高敏感性的同時(shí)簡(jiǎn)化分類系統(tǒng)和提高特異性。
AI TI-RADS使用已知細(xì)胞學(xué)結(jié)果的1325個(gè)結(jié)節(jié)的訓(xùn)練集和交互學(xué)習(xí)算法來(lái)優(yōu)化當(dāng)前的詞匯和評(píng)分結(jié)構(gòu)。AI TI-RADS系統(tǒng)隨后被專家和非專家放射科醫(yī)師應(yīng)用，并與已知的ACR TI-RADS分類別進(jìn)行了比較。
我們先看看AI TI-RADS與ACR TI-RADS相比提出了那些改變
五種影像學(xué)特征類別保持不變，各有以下變化:
內(nèi)部結(jié)構(gòu)——只有實(shí)性結(jié)節(jié)得分
囊性結(jié)節(jié)和海綿狀結(jié)節(jié)依舊得分為0分。AI TI-RADS發(fā)現(xiàn)，無(wú)論在此類結(jié)節(jié)中發(fā)現(xiàn)在其他任何類別中的任何現(xiàn)象和特征，囊性和海綿狀這一特征都足以判定結(jié)節(jié)為良性
囊實(shí)性混合結(jié)節(jié)得0分，不再得1分
實(shí)性或接近完全實(shí)性結(jié)節(jié)3分，而不再得2分
不能分類者得0分，而不再是2分
回聲——只有低回聲結(jié)節(jié)得分
等/高回聲和不能分辨回聲特點(diǎn)的結(jié)節(jié)得0分，而不再是1分
形狀
“高大于寬”的只得1分，而不再是3分
邊界
沒(méi)有變化
強(qiáng)回聲灶
大鈣化得0分，不再得1分
AI TI-RADS系統(tǒng)進(jìn)一步簡(jiǎn)化聲像圖評(píng)估標(biāo)準(zhǔn)，得分項(xiàng)目減少。
AI TI-RADS系統(tǒng)每個(gè)TR類別的得分水平和按大小劃分的FNA推薦閾值保持不變。
【與ACR TI-RADS比較的結(jié)果】
研究顯示，在100個(gè)結(jié)節(jié)中，AI TI-RADSI和ACR TI-RADS的敏感性相同(93%)。AI TI-RADS的特異性在專家醫(yī)師群中從47%提高到65%，在非專家醫(yī)師群中從47%提高到55%。
使用AI TI-RADS后評(píng)估100個(gè)結(jié)節(jié)中有43個(gè)結(jié)節(jié)被降級(jí)，其中15個(gè)結(jié)節(jié)不再符合FNA要求(均為良性)。AI TI-RADS評(píng)分算法沒(méi)有漏掉額外的惡性腫瘤。
【華斌述評(píng)】
人工智能（AI）在影像學(xué)的應(yīng)用是大勢(shì)所趨，但AI絕對(duì)不是計(jì)算機(jī)讀圖和識(shí)圖，更不是什么無(wú)聊的人機(jī)大戰(zhàn)。人工智能的目的是讓計(jì)算機(jī)學(xué)習(xí)幫助我們學(xué)習(xí)，利用合理的算法為我們尋找更為合適的圖像評(píng)估方案，它的目的是簡(jiǎn)化人的工作，尋找那些最容易被人為干擾的因素和參數(shù)，通過(guò)減少這些因素或參數(shù)在病變管理中的權(quán)重，從而實(shí)現(xiàn)患者利益的最大化。
【參考文獻(xiàn)】
1. Benjamin Wildman-Tobriner, Mateusz Buda, Jenny K. Hoang, William D. Middleton, David Thayer, Ryan G. Short, Franklin N. Tessler, Maciej A. Mazurowski. Using Artificial Intelligence to Revise ACR TI-RADS Risk Stratification of Thyroid Nodules: Diagnostic Accuracy and Utility. (2019) Radiology.
我們?cè)囋嚳矗?br>
上面這個(gè)結(jié)節(jié)，按照ACR TI-RADS分類，它的得分應(yīng)該是：實(shí)性 2分，高回聲1分，大鈣化1分，其他均不得分，總分4分，分類在TR4,，中度可疑；
按照AI TI-RADS 只有實(shí)性得3分。其他均不得分，總分3分，分類在TR3，輕度可疑惡性。
最后病理：橋本結(jié)節(jié)。
另外。開(kāi)頭那個(gè)結(jié)節(jié)的得分應(yīng)該是 0 分，TR1。
聯(lián)系客服
