人工智能在甲状腺及甲状旁腺疾病外科诊疗中的研究进展2025.pdfVIP

人工智能在甲状腺及甲状旁腺疾病外科诊疗中的研究进展2025

近年来人工智能技术正在赋能各个行业，引领产业升级。人工智能在医学

影像分析及外科手术导航定位等方面的进步，正在为整个医学界带来革命

性的变化，并正在逐渐渗透进入甲状腺及甲状旁腺疾病的诊疗领域。本文

着眼千人工智能在甲状腺及甲状旁腺疾病外科诊疗中的应用，着重阐述基

千深度学习的人工智能系统在术前评估、术中辅助决策和预测手术预后等

方面的研究和应用进展，并探讨未来的发展前景。近年来人工智能技术正

在赋能各个行业，引领产业升级。人工智能在医学影像分析及外科手术导

航定位等方面的进步，正在为整个医学带来革命性的影响，并正在逐渐渗

透进入甲状腺及甲状旁腺疾病的诊疗领域。本文着眼千人工智能在甲状腺

及甲状旁腺疾病外科诊疗中的应用，着重阐述基千深度学习的人工智能系

统在术前评估、术中辅助决策和术后预测预后等方面的研究和应用进展，

并探讨未来的发展前景。

一、术前评估以及辅助决策

（一）基千超声的甲状腺结节术前诊断超声检查作为一种无创、方便、经

济的影像学检查方法，在甲状腺疾病的筛查及术前评估中发挥着重要作用。

目前全世界已经有众多团队利用不同的人工智能算法来分析超声图像，对

甲状腺结节的性质和种类进行更精准的诊断。Li等[1]利用DCNN框架

进行了一个回顾性多队列诊断性研究，收集了17627例甲状腺癌患者的

13131张超声图像和2535例对照180668张超声图像，建立

72的

DCNN模型并进行训练。该模型在内部验证集、外部验证集1和2的工

作特征曲线下面积(AUC)分别为0.947、0.912和0.908。与熟练的超

声科医师相比，DCNN模型在识别甲状腺癌方面表现出更好的性能。这也

一项研究。还有许多类似的研究，应用不同的模型和

是目前样本盘最大的

框架进行了类似的尝试。Zhu等[2]利用CNN框架构建了基千超声的

甲状腺结节检测模型TNet,回顾性分析719张甲状腺图像，TNet平均准

确率为86.5%。Wang等[3]利用YOLOv2神经网络，建立自动超声图

像识别与诊断系统。收集并标记了来自276例患者2450个良性甲状腺

结节和2557个恶性甲状腺结节的图，准确率为90.31%。Wang等[4]

构建了ITSlOO动态人工智能超声诊断系统，回顾性分析607例患者的1

007个甲状腺结节的超声资料，准确率为89.97%。Zhang等［5]采用

随机森林算法构建模型，收集2064个甲状腺结节超声资料，发现其诊断

效能优千单纯常规超声(AUC:0.924比0.834)。Zhang等6]提出了

一种基千半监督图卷积网络的域适应框架，共收集1498例患者的数据，

包括12108张在3种不同超声设备下的甲状腺声像，在多源域适应任务

中的准确率为0.8829。Chi等［7]基千GoogLeNet模型构建甲状腺，

对千开放获取数据库中的图像，其分类准确率为98.29%。Song等[8]

基千Inception-V3模型，利用ImageNet数据库对模型进行预训练，在

==

内部测试集(n55)中灵敏度为95.2%，外部测试集(n

lOO)中灵敏

度为94.0%。除此以外，弹性成像技术(SWE)