01

高考注意事项

甲状腺癌是内分泌系统最常见的恶性肿瘤，全球范围内甲状腺癌患病人数不断攀升，全球年发病例数已从2000年的12.3万1上升至2022年的82.1万2，20多年间增长了6.67倍。2022年，我国甲状腺癌新发病例数达到46.61万例，首次成为我国排名前三的高发癌症3。甲状腺癌发生发展原因和机理极其复杂，相关因素很多，其诊断面临一系列挑战。当前，传统诊断方式主要是超声波检查，其仍存在一定的局限，尤其是在医疗资源分布不均、医生参差不齐，基层医院的医生经验不足、信息获取不全及诊断流程不规范的情况下，医生无法快速获得精准信息并准确做出诊断4。然而，近年来随着科技的迅猛发展，基于大数据与人工智能技术（AI）的医学实践使个体化精准诊疗成为可能，为甲状腺癌的早期发现和精准诊断带来革命性变化5,6。针对上述进展，本报特邀首都医科大学附属北京同仁医院头颈外科房居高教授和时倩医生作精彩、深入的讲解，诚邀广大读者共享。

房居高 教授

首都医科大学附属北京同仁医院

主任医师，头颈外科主任，博士研究生导师

享受国务院政府特殊津贴突出贡献专家

中国抗癌协会头颈肿瘤专业委员会候任主任委员

中国医促会甲状腺疾病防治分会秘书长前主任委员

中华预防医学会甲状腺疾病防治分会副主任委员

中华医学会耳鼻咽喉头颈外科分会头颈学组副组长

时倩 医生

首都医科大学附属北京同仁医院

头颈外科，医学博士，主治医师

中国医疗国际交流促进会甲状腺疾病学分会 委员

中国抗癌协会头颈肿瘤分会 会员

获中华医学会第七届全国头颈外科年会中青年手术视频比赛一等奖

获医促会甲状腺疾病防治分会2023年年会

暨第八届华夏甲状腺疾病高峰论坛中青年医生手术视频比赛一等奖

获北京同仁医院临床青年骨干同仁飞跃奖获得者

获医促会甲状腺疾病防治分会第一届

和第二届全国科普演讲总决赛二等奖

专业方向：甲状腺良恶性肿瘤；甲状旁腺肿瘤诊治及手术；鼻、咽、喉良恶性肿瘤诊治

精准医学是提升甲状腺癌诊断准确性与效率的个体化医疗策略

精准医学是以个体化诊疗为核心，针对患者个体的具体情况，筛选适合的准确的治疗方案的一种模式；对于甲状腺结节，可以借助于高通量组学技术的发展以及生物信息学与大数据科学的深度融合，通过对机器的训练，让机器自己学习，然后应用机器进行诊断，提高了诊断的准确性，减少了人员水平因素带来的误差，这种模式为现代医学带来了巨大改变6。在甲状腺癌的诊治领域，精准医学通过构建全面的甲状腺癌数据库和运用人工智能算法，能够高效地从海量数据中快速识别出关键的疾病诊断的特征和标志物。这一过程不仅极大地提升了诊断的效率，更在诊断准确性上实现了突破。因此，精准医学的应用能使医生更准确地诊断出甲状腺癌，为患者提供更为及时和精准的治疗。

大数据是甲状腺癌精准诊断的基石

大数据是一种在数据获取、储存、管理和分析方面，规模庞大到超出传统数据库管理工具能力范围的数据集合。其以“5V”特点著称：大量（volume）、高速（velocity）、多样（variety）、价值（value）和真实（veracity）6。在医疗领域，大数据的应用为精准诊断提供了坚实的基础，通过整合和分析海量的医疗数据，如影像资料、遗传信息和临床症状等，从而揭示甲状腺癌的早期迹象和潜在风险因素，提高诊断效率和预测模型准确性。

通过深入分析基因突变，为甲状腺癌亚型的精准分类提供了科学依据。例如，近年研究发现BRAF V600E在复发和转移性甲状腺乳头状癌（PTC）中突变率可高达80%7；BRAF V600E突变诊断PTC时显示出100%特异度和69%灵敏度8。在晚期分化型甲状腺癌（DTC）中，端粒酶逆转录酶（TERT）、AKT1、PIK3CA和EIF1AX常与BRAF V600E、RAS等驱动基因共突变。在未分化甲状腺癌（ATC）中，肿瘤抑制基因如TP53和CDKN2A的突变尤为关键9。

通过揭示甲状腺癌发病机制，为识别信号转导通路中的关键靶点提供了重要信息。差异蛋白质组学分析已成为发现潜在肿瘤标记物的有效手段6,9。此外，蛋白质组学的应用还辅助细针穿刺活检（FNAB）和细胞病理学的诊断，提高了诊断的准确性9。

将影像信息转为更高维数据集，从而获得高保真信息来对疾病进行评估。在甲状腺癌辅助诊断中，超声影像组学专注于甲状腺结节的良恶性鉴别，以及对PTC侵袭性的进一步预测10。为临床治疗提供参考依据。

为早期评估甲状腺癌远处转移或复发提供新视角。一项Meta分析发现，循环肿瘤细胞是诊断甲状腺癌患者复发和远处转移的可靠标志物，特别是表达TSHR的循环肿瘤细胞，在敏感性方面优于高表达上皮细胞粘附分子的肿瘤细胞11。

AI是甲状腺癌精准诊断的智慧引擎

AI是机器通过不断学习、更新运算以真切地模拟人类反应的科学，其关键是深度学习。AI通过其算法和模型对大数据进行智能处理，挖掘有价值的信息并辅助决策，是连接数据与精准诊断的桥梁12。在甲状腺诊断领域，AI辅助良恶性鉴别和病理分类5，有助于加快数据分析速度和提高诊断准确率，实现了更快速的诊断反馈。

超声诊断

超声诊断是甲状腺结节首选检查方式，AI在该领域发展最为迅速。多项研究发现13-19，AI模型在甲状腺结节良恶性鉴别中可提高超声检查的敏感性和特异性（见表1），减少超声检查医生的工作负荷，有效避免不必要的有创检查，AI对甲状腺结节良性与恶性的诊断，比有经验的超声医生更准确。另外，AI对PTC的预测准确率高于TI-RADS（89.9% vs 81.2%，P＜0.05）20。Peng 等21开发的AI 深度学习模型（ThyNet）可使细针穿刺活检（FNAB）患者比例从61.9% 降至35.2%，甲状腺癌病灶漏诊率从18.9% 降至17.0%。目前已上市的商用计算机辅助诊断系统S-Detect是一个结合到超声波机器中的程序，可半自动地检测和分类甲状腺病变，Park等22在286个甲状腺结节上验证该系统的阴性和阳性预测值分别为88.1%、84.5%。

表1. AI在超声鉴别良恶性甲状腺结节中的应用

注：RS-Net：风险分层网络；AIBx：图像相似算法的AI模型；MC-CNN：多任务级联卷积神经网络；DCNN：深度卷积神经网络；CKG-CNN：以临床知识为向导的卷积神经网络；FFT：快速傅里叶变换；Fused CNNs：融合的卷积神经网络；*训练集/(验证集)

细针穿刺细胞学是用于进一步明确甲状腺结节性质，AI的应用在提高FNAB结果的解释和恶性风险预测方面展现巨大潜力。多项研究已证实23-28，AI在细针穿刺细胞学诊断中的应用能够高效识别出甲状腺癌的病理类型和癌细胞的特征，具有较高的准确性。在不确定结节中，AI辅助诊断可显著减少不必要的甲状腺切除28。

表2. AI在FNAB中的应用

注： CNN：卷积神经网络；EffentNetV2‐L：一种基于深度学习的CNN模型；VGG：视觉几何群网络；Inception-v3：一种深度学习模型；GSC：RNA基因组测序分类器；ANN：人工神经网络；SVM：支持向量机；k-NN：k近邻法；*仅为验证集

全切片图像（WSI）是采用数字扫描仪扫描传统的病理切片，采集高分辨数字图像，再应用计算机对得到的图像自动进行高精度、多视野无缝隙拼接和处理，获得优质的可视化数据，辅助医生进行快速、高效的癌变和肿瘤性质预测。Liu等29利用深度学习技术，基于3800余张PTC术中冰冻病理切片的WSI，构建淋巴结转移人工智能预测模型ThyNet-LNM，该模型准确性优于术前颈部淋巴结超声和CT检查，可将非进展期PTC患者不必要的淋巴结清扫率从56.4%降至14.9%，减少手术创伤和并发症的风险。Li等30提出了一种基于深度学习的规则化系统，用于自动分类术中冰冻切片样本中的甲状腺结节，该系统在良性、恶性甲状腺结节分类的准确率上分别达到了95.3%和96.7%。此外，典型的WSI诊断可在1分钟内完成。目前，尽管AI辅助诊断尚不能取代传统的病理专家诊断，但由于传统病理诊断高度依赖医生的专业技能，并且存在一定的主观性，导致诊断过程既耗时又费力。AI的应用能够整体提升诊断的准确性和一致性，减少人为误差，并加快诊断分析过程。随着技术的不断进步，AI有望在未来的病理诊断中发挥更加重要的作用。

表3. 冰冻切片的WSI在鉴别甲状腺结节病理分类中的应用

小结

总之，由大数据和AI全面驱动的甲状腺癌诊断体系正向更高效、更精准的方向发展。该体系不仅优化了诊断流程、缩短了诊疗周期，还为医生提供了强有力的决策支持，使医疗服务更加个性化和精准。此外，AI的早期预警和风险评估能力，有助于甲状腺癌的早期发现和干预，有效提升患者生存率和生活质量。随着科学技术的持续进步和深入应用，我们坚信智能诊断体系将为甲状腺癌患者带来更多希望，为医疗行业的未来发展开辟更广阔道路。

参考文献：

1. Parkin DM, et al. Int J Cancer. 2001 Oct 15;94(2):153-6.

2. Bray F,et al.CA Cancer J Clin.2024 May-Jun;74(3):229-263.

3. 郑荣寿, 等. 中华肿瘤杂志.2024;46(3)221-231.

4. 李铃睿, 等. 中国肿瘤临床. 2020;47(7)：369-374.

5. Zhang L, et al. Discov Oncol. 2024 May 18;15(1):172.

6. 陈佳铭, 等. 中国耳鼻咽喉头颈外科. 2019;26(3):138-141.

7. Romei C, et al. J Clin Endocrinol Metab. 2012;97(9): E1758-E1765.

8. Fnais N, et al. Hum Pathol. 2015;46(10):1443-1454.

9. Yang S, et al. Oncol Lett. 2023 Jul 27;26(3) 396.

10. 张晓云, 等. 中国医学影像学杂志. 2022;30(3):287-290.

11. Liang MX, et al. BMC Cancer. 2022 Sep 5;22(1):954.

12. Toro-Tobon D, et al. Thyroid. 2023 Aug;33(8)903-917.

13. Bai Z, et al. Med Phys. 2020 Dec;47(12):6355-6365.

14. Thomas J, et al. Thyroid. 2020 Jun;30(6):878-884.

15. Song W, et al. IEEE J Biomed Health Inform. 2019 May;23(3):1215-1224.

16. Li X, et al. Lancet Oncol. 2019; 20(2):193-201.

17. Liu T, et al. Med Image Anal. 2019; 58:101555.

18. Nguyen DT, et al. J Clin Med. 2019; 8(11):E1976.

19. Ma J, et al. Ultrasonics. 2017; 73:221-230.

20. 王云,等. 中国临床研究. 2023;36(11):1636-1639.

21. Peng S, et al. Lancet Digit Health, 2021, 3(4): e250−e259.

22. Park VY, et al. Sci Rep. 2019;9(1):17843.

23. Hirokawa M, et al. Cancer Cytopathol. 2023;131(4)217-225.

24. Guan Q, et al. J Cancer. 2019; 10(20):4876-4882.

25. Sanyal P, et al. J Pathol Inform. 2018; 9:43.

26. Patel KN, et al. JAMA Surg. 2018; 153(9):817-824.

27. Savala R, et al. Diagn Cytopathol. 2018; 46(3):244-249.

28. Zoulias EA, et al. Anal Quant Cytol Histol. 2011; 33(4):215-222.

29. Liu Y, et al. EClinicalMedicine. 2023 May 18:60:102007.

30. Li Y, et al. Artif Intell Med. 2020 Aug:108:101918.

31. Zhu X, et al. Front Bioeng Biotechnol. 2022 Jul 6:10:857377.

32. Chen P, et al. Comput Methods Programs Biomed. 2020 Oct:195:105630.