甲状腺结节是在甲状腺内形成的小块，在一般人群中很常见，患病率高达67%。绝大多数甲状腺结节不是癌性的，也没有任何症状。然而，目前对于如何处理不确定的癌症风险的结节，有一些有限的指导方针。西德尼·基梅尔癌症中心的一项新研究——杰弗逊健康调查了一种非侵入性超声成像方法，结合谷歌平台的机器学习算法，是否可以作为一种快速和廉价的甲状腺癌的首次筛查。

目前，超声波可以告诉我们一个结节是否可疑，然后决定是否做穿刺活检。但细针活检只是作为一个窥视孔，它们不能告诉我们整个情况。因此，一些活检结果不确定结节是恶性的，还是癌变的。”

伊丽莎白·科特里尔，医学博士，托马斯·杰斐逊大学耳鼻喉科医生，该研究的临床领导者

如果检查针头活检的细胞被证明是不确定的，样本可以通过分子诊断学进一步检测以确定恶性肿瘤的风险。这些测试寻找与恶性甲状腺癌相关的某些突变或分子标记的存在。当结节检测出高风险标记物或突变阳性时，可以通过手术切除甲状腺。然而，何时使用分子检测的标准仍在制定中，而且还没有在所有的实践环境中提供这种检测，特别是在较小的社区医院。

为了提高一线诊断的预测能力，Jefferson的研究人员研究了由谷歌开发的机器学习或人工智能模型。这些应用程序也被用于其他领域:像Urban Outfitters这样的零售巨头使用机器学习来帮助对他们的许多产品进行分类，让消费者更容易找到他们感兴趣的商品。迪斯尼用它来根据特定的人物或电影来注释他们的产品。在这种情况下，研究人员将机器学习算法应用到患者甲状腺结节的超声图像上，看看它是否能识别出不同的模式。这项研究发表在10月24日的日本杂志上。

“我们研究的目的是看看与分子检测相比，自动化机器学习是否可以使用图像处理技术来预测甲状腺结节的遗传风险，”该研究的第一作者、杰斐逊医学院四年级学生凯利·丹尼尔斯(Kelly Daniels)说。

研究人员对121名患者的图像进行了训练，这些患者接受了超声引导下的精细穿刺活检，随后进行了分子检测。根据分子检测中使用的一组基因，在134个病变中，43个结节被归类为高危结节，91个被归类为低危结节。使用一组已知风险分类的初步图像来训练模型或算法。从这一组标记图像中，算法利用机器学习技术分别挑选出与高风险结节和低风险结节相关的模式。它利用这些模式形成自己的一套内部参数，可以用来对未来的图像进行排序;它本质上是在这个新任务上“训练”自己。然后，研究人员在另一组未标记的图像上对训练过的模型进行测试，看看与分子测试结果相比，它能在多大程度上区分高遗传风险结节和低遗传风险结节。

“机器学习是一种低成本、高效的工具，可以帮助医生更快地决定如何处理一个不确定的结节，”放射学副教授、该研究的主要作者John Eisenbrey博士说。“还没有人在超声对甲状腺结节的遗传风险分层方面使用机器学习。”

研究人员发现,他们的算法进行预测正值特异性为97%和90%,这意味着97%的患者真正良性结节的超声阅读“良性”算法,和90%的恶性或“正面”结节是真正积极的分类算法。高特异性表明假阳性率低;这意味着，如果算法将一个结节读取为“恶性”，那么它很可能是真正的恶性。该算法的总准确率为77.4%。

“这是外科医生和放射科医生的一次重要合作，其他机构已经对我们的合作产生了兴趣。我们提供给算法的数据越多，我们对它的预测就越强，”科特里尔博士说。

“机器学习有很多潜在的应用，”艾森布里博士说。“在未来，我们希望利用特征提取，这将帮助我们识别高风险结节的解剖学相关特征。”

虽然是初步的，但研究表明，自动化机器学习有望作为一种额外的诊断工具，提高甲状腺癌的诊断效率。一旦它变得更强大，该方法可以给医生和病人更多的信息，以决定是否有必要切除甲状腺叶。