甲状腺乳头状癌（PTC）占甲状腺癌的85%，是最常见但侵略性最低的甲状腺癌亚型。近几十年来，甲状腺癌的发病率大幅上升。尽管PTC被认为是一种惰性肿瘤，但一部分癌细胞会转移到甲状腺周围的淋巴结。这种转移的类型包括中央颈淋巴结转移（CLNM）和侧颈淋巴结转移。提高颈淋巴结转移的诊断水平将有助于减少不必要的淋巴结清扫。然而由于缺乏鉴别特征，准确识别CLNM患者仍是一个问题。

目前，超声（US）和计算机断层扫描（CT）在术前结节分期中发挥了重要作用，是临床实践中的标准程序。然而，术前US只能检测到20-31%的CLNM，并且只可能改变20%患者的手术方式。此外，其在识别恶性结节方面的疗效也不令人满意。相比之下，CT诊断恶性结节的敏感度为35-77%，特异度为70-96%。增强CT可以通过增强每个淋巴结的正常实质，而不增强或仅轻微增强的转移颈淋巴结进一步增加病变和邻近组织的密度差异。因此，增强CT可以提高微小病变的检出率，继而消除可疑病变。然而，增强CT的诊断效果仍受限于不同放射科医生的主观判断，这可能导致相当一部分患者被误诊。

人工智能（AI），特别是深度学习（DL）算法，因其在图像识别任务中的出色表现而获得广泛关注。DL是一种前瞻性的方法，可以自动学习特征并对图像中的信息进行量化。Lee等学者验证了一个DL模型来预测CLNM，并手动勾勒出淋巴结作为感兴趣的区域以构建一个计算机辅助（CAD）系统。然而，淋巴结很小、难以区分。因此，获得每个淋巴结的准确病理结果是具有挑战性的。

近日，发表在European Radiology杂志上的一篇研究使用PTC的增强CT图像评估了基于AI系统的CLNM预测潜力及价值。

本项多中心回顾性研究包括PTC患者的术前CT，这些患者被分为开发、内部和外部测试集。原发肿瘤的感兴趣区域是由一位有八年经验的放射科医生在CT图像上手动勾勒出来的。深度学习（DL）特征由DenseNet结合卷积块注意模块利用CT图像和病变模型进行开发。使用单向方差分析和最小绝对收缩和选择算子进行选择特征，并使用支持向量机来构建放射组学特征，同时随机森林来结合DL、放射组学和临床特征进行最终预测。两位放射科医生（R1和R2）使用接受者操作特征曲线、敏感性、特异性和准确性来评估和比较人工智能系统。 

对于内部和外部测试集，人工智能系统取得了出色的表现，AUCs为0.84和0.81，高于DL（p=0.03，0.82）、放射组学（p<0.001，0.04）和临床模型（p<0.001，0.006）。在人工智能系统的帮助下，放射科医生对R1和R2的特异性分别提高了9%和15%，13%和9%。 

图 原发肿瘤的CT图像和热图，两个患有CLNM和非CLNM的甲状腺癌。a-c 一名47岁女性甲状腺癌患者的CT图像，无CLNM；a非对比和（b）对比增强CT显示多处钙化；d-f 一名患有甲状腺癌和CLNM的46岁女性的CT图像；d 平扫和（e）增强CT显示周边钙化。f 叠加热图显示CNN模型预测的真阳性病例并叠加热图。两位放射科医生预测没有LNM

本项研究表明，人工智能系统可以帮助预测PTC患者的CLNM；在人工智能的协助下，放射科医生的表现有所改善。

原文出处：

Cai Wang,Pengyi Yu,Haicheng Zhang,et al.Artificial intelligence-based prediction of cervical lymph node metastasis in papillary thyroid cancer with CT.DOI:10.1007/s00330-023-09700-2

Tags： European Radiology：基于CT人工智能的甲状腺乳头状癌颈部淋巴结转移预测