基于深度学习的甲状腺结节诊断研究综述.docVIP

基于深度学习的甲状腺结节诊断研究综述

甲状腺结节是临床常见的内分泌疾病，流行病学调查显示，成人甲状腺结节的触诊检出率约为4%~7%，借助高分辨率超声的检出率可高达20%~76%，其中约5%~15%的结节为恶性甲状腺癌。近年来我国甲状腺癌发病率以每年20%左右的速度持续增长，早发现、早诊断、早治疗是改善患者预后、降低死亡率的关键。临床中甲状腺结节诊断高度依赖医学影像检查，超声、CT、细针穿刺细胞学活检等技术的广泛应用为结节良恶性鉴别提供了重要依据，但传统诊断模式高度依赖医师的临床经验，存在诊断效率低、主观误差大、不同医疗机构诊断水平差异显著等问题。随着深度学习技术在医学影像分析领域的快速发展，其强大的特征提取能力和端到端的学习模式为甲状腺结节智能诊断提供了新的解决方案，相关研究成果已展现出巨大的临床应用潜力。

一、甲状腺结节诊断常用影像模态及深度学习应用基础

当前临床用于甲状腺结节评估的影像模态主要包括超声、计算机断层扫描（CT）、磁共振成像（MRI）以及核医学显像等，不同模态的影像数据为深度学习模型提供了多维度的信息输入。超声检查因具有无创、无辐射、价格低廉、实时成像等优势，是甲状腺结节筛查和初步诊断的首选影像学方法。甲状腺超声图像能够清晰显示结节的大小、形态、边界、回声、钙化、血流信号等特征，这些特征与结节良恶性密切相关。但超声图像存在对比度较低、噪声干扰大、成像质量受操作者手法