基于AI-SONIC^(TM) Thyroid 5.3.3.0的超声图像分析对甲状腺结节恶性风险的预测价值

目的探讨基于超声人工智能(AI)系统AI-SONIC^(TM)Thyroid 5.3.3.0的图像分析在甲状腺结节恶性风险评估中的应用价值。方法选取2019年4月至2021年1月海军军医大学(第二军医大学)第二附属医院收治的453例甲状腺结节患者,共573枚甲状腺结节。以术后病理结果为金标准,通过χ^(2)检验和ROC曲线评估术前AI系统检查对不同性别分组、不同年龄分组及不同结节大小分组的甲状腺结节良恶性的鉴别诊断效能,并通过De Long检验比较术前AI系统检查与不同年资超声医师术前应用常规超声检查鉴别诊断甲状腺结节良恶性的效能。结果在术前检查的573枚甲状腺结节中,术后病理证实为恶性411枚(76.5%)、良性162枚(23.5%)。低年资超声医师应用常规超声检查鉴别诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为85.2%(350/411)、55.6%(90/162)、76.8%(440/573),AUC为0.721(95%CI 0.672~0.771);高年资超声医师鉴别诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为93.9%(386/411)、74.1%(120/162)、88.3%(506/573),AUC为0.865(95%CI 0.825~0.904);AI系统鉴别诊断甲状腺结节良恶性的灵敏度、特异度、准确度分别为92.5%(380/411)、69.1%(112/162)、85.9%(492/573),AUC为0.809(95%CI 0.764~0.854)。De Long检验结果显示,AI系统鉴别诊断甲状腺结节良恶性的AUC高于低年资超声医师(P=0.032),与高年资超声医师之间差异无统计学意义(P>0.05)。按不同性别、不同年龄分组,AI系统鉴别诊断甲状腺结节良恶性的准确度差异无统计学意义(P>0.05);按不同结节大小分组,结节最大直径为10~<15 mm时AI系统鉴别诊断甲状腺结节良恶性的AUC最大,为0.882(95%CI 0.723~0.916)。结论AI-SONICTMThyroid 5.3.3.0可识别甲状腺结节的良性和恶性声像特征,其诊断效能接近高年资超声医师,有望成为术前预测甲状腺结节恶性风险的实用工具。

人工智能在医学影像辅助诊断中的应用综述

人工智能理论与技术在医学影像辅助诊断应用中非常重要。本文首先介绍了该细分领域的概况,同时阐述了人工智能的符号主义、连接主义、行为主义和统计主义4个学派以及深度学习、强化学习、迁移学习的主要思想与特点。然后,详细介绍了关于人工智能理论与技术应用于医学影像辅助诊断的代表性研究成果,并且对产品转化应用进行统计分析,举例说明大样本、多中心的医学影像数据库建设的重要性。最后,从人工智能学派、学习方法和医学影像数据库3个层面指出当前存在的问题,并给出未来的发展方向,为研发智能医学影像辅助诊断设备提供参考意见。

人工智能在分级诊疗中的作用探讨

介绍我国分级诊疗发展情况及存在问题,阐述分级诊疗"西湖模式"构建、应用效果及作用,指出人工智能技术应用有助于分级诊疗卫生服务体系建设,分析人工智能应用于分级诊疗需要注意的问题。