TIMEDOO肽度（微信號(hào)：Time-doo）獲悉，美國(guó)費(fèi)城Sidney Kimmel Cancer Center – Jefferson Health的一項(xiàng)新研究，結(jié)合非介入式的超聲波掃描與Google平臺(tái)的機(jī)器學(xué)習(xí)(machine learning)演算法，自動(dòng)分析甲狀腺超聲波掃描影像以區(qū)分良性與惡性結(jié)節(jié)(nodule)，整體正確率達(dá)77.4%將有助于甲狀腺癌初步篩查。

根據(jù)eHealthNews報(bào)道，約有67%的人甲狀腺內(nèi)會(huì)生成結(jié)節(jié)，大多數(shù)沒有癥狀且為良性，超聲波掃描可辨識(shí)出可疑的結(jié)節(jié)，而要進(jìn)一步了解是否有致癌風(fēng)險(xiǎn)，細(xì)針切片檢查僅有部分能提供結(jié)節(jié)是否為惡性或致癌的確定結(jié)果，其他樣本需透過分子診斷(molecular diagnostics)檢測(cè)，以判斷進(jìn)一步發(fā)展為惡性腫瘤的風(fēng)險(xiǎn)。

目前對(duì)致癌風(fēng)險(xiǎn)不明結(jié)節(jié)的處理指導(dǎo)方針相當(dāng)有限，分子診斷檢測(cè)會(huì)搜尋跟惡性甲狀腺癌相關(guān)的特定變異或分子標(biāo)記，當(dāng)結(jié)節(jié)檢驗(yàn)發(fā)現(xiàn)到高風(fēng)險(xiǎn)變異或標(biāo)記時(shí)，醫(yī)師可透過手術(shù)切除甲狀腺。不過分子診斷的運(yùn)用標(biāo)準(zhǔn)尚在發(fā)展中，且未全面普及到所有醫(yī)療院所，尤其是小型社區(qū)醫(yī)院。

為提升超聲波掃描這類第一線診斷的預(yù)測(cè)能力，Jefferson Health的研究團(tuán)隊(duì)試驗(yàn)運(yùn)用自動(dòng)化的機(jī)器學(xué)習(xí)演算法，透過影像處理技術(shù)分析超聲波掃描影像，找出甲狀腺結(jié)節(jié)的明顯特征以預(yù)測(cè)基因風(fēng)險(xiǎn)，支援甲狀腺癌的首次篩查，并跟細(xì)針切片檢查的結(jié)果作比較。這項(xiàng)研究是外科醫(yī)師與放射學(xué)家的重大合作。

研究成果于2019年10月24日發(fā)表在JAMA-Oto期刊，顯示此一高效率、低成本的演算法整體正確率高達(dá)77.4%。甲狀腺結(jié)節(jié)最終被診斷為良性的患者當(dāng)中，有97%的超聲波掃描影像經(jīng)演算法分析后也是被歸類為低風(fēng)險(xiǎn)，明確性達(dá)97%；而被演算法歸類為惡性或陽性結(jié)節(jié)的患者當(dāng)中，有90%也是最終被診斷為惡性或陽性結(jié)節(jié)，陽性預(yù)測(cè)正確率達(dá)90%誤判率低。

雖然僅是初步成果，但這項(xiàng)研究顯示自動(dòng)化機(jī)器學(xué)習(xí)演算法，極有潛力成為輔助診斷甲狀腺結(jié)節(jié)的利器，隨著演算法的可靠性逐步提升，將可提供醫(yī)師與患者更多資訊，以快速?zèng)Q定處理風(fēng)險(xiǎn)不明結(jié)節(jié)的方式與是否需要切移除甲狀腺。研究團(tuán)隊(duì)認(rèn)為機(jī)器學(xué)習(xí)極有潛力，未來將運(yùn)用特征擷取(feature extraction)技術(shù)于自動(dòng)辨識(shí)高風(fēng)險(xiǎn)結(jié)節(jié)的相關(guān)特征。

運(yùn)用越多影像訓(xùn)練演算法，其風(fēng)險(xiǎn)分類結(jié)果的正確率與可預(yù)測(cè)性越高。研究團(tuán)隊(duì)運(yùn)用一組已預(yù)先經(jīng)過風(fēng)險(xiǎn)分類的甲狀腺超聲波影像訓(xùn)練機(jī)器學(xué)習(xí)模型或演算法，這組影像來自121名已進(jìn)行超聲波導(dǎo)引細(xì)針切片檢查，并根據(jù)1組基因完成后續(xù)分子診斷的患者，醫(yī)師發(fā)現(xiàn)134個(gè)結(jié)節(jié)，其中43個(gè)被判定為高風(fēng)險(xiǎn)、91個(gè)為低風(fēng)險(xiǎn)。

演算法透過機(jī)器學(xué)習(xí)技術(shù)從這組完成分類的影像中，分別找出跟高風(fēng)險(xiǎn)結(jié)節(jié)與低風(fēng)險(xiǎn)結(jié)節(jié)相關(guān)的模式，然后再運(yùn)用這些模式自我訓(xùn)練以形成演算法本身的內(nèi)部參數(shù)，可為未來的影像組進(jìn)行風(fēng)險(xiǎn)分類。研究人員隨后以1組未分類的影像來測(cè)試完成訓(xùn)練的演算法，并將高基因風(fēng)險(xiǎn)結(jié)節(jié)與低基因風(fēng)險(xiǎn)結(jié)節(jié)的分類結(jié)果跟分子診斷進(jìn)行比較。

Google開發(fā)的人工智慧(AI)或機(jī)器學(xué)習(xí)演算法已應(yīng)用于其他領(lǐng)域，零售業(yè)者Urban Outfitters用于協(xié)助分類大量商品以利消費(fèi)者搜尋；迪士尼(Disney)則用于根據(jù)特定角色或電影來注釋產(chǎn)品。此前尚不曾有人將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于超聲波掃描影像的甲狀腺結(jié)節(jié)基因風(fēng)險(xiǎn)分類領(lǐng)域，已經(jīng)有其他機(jī)構(gòu)表達(dá)希望聯(lián)合資源挹注這項(xiàng)研究的意愿。

編輯|周新思