教育新闻网一项新研究表明，将人工智能(AI)与甲状腺超声结合使用可提供一种快速，无创的甲状腺癌筛查方法。
这项发表在《 PLOS Pathogens》杂志上的研究表明，自动化机器学习显示出有望作为一种可以提高甲状腺癌诊断效率的附加诊断工具。
研究的主要作者，美国托马斯·杰斐逊大学的约翰·艾森伯里说：“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不确定的结节。”
根据研究人员的说法，目前超声波可以判断结节是否可疑，然后决定是否进行穿刺活检，但细针活检仅充当窥视孔，无法显示整个图像。
结果，一些活检返回关于结节是恶性还是癌性的不确定性结果。
为了提高超声一线诊断的预测能力，研究人员研究了Google开发的机器学习或AI模型。他们将机器学习算法应用于患者甲状腺结节的超声图像，以查看它是否可以识别出不同的模式。研究人员在121位接受超声引导的细针穿刺活检并随后进行分子检测的患者的图像上对该算法进行了训练。
根据分子测试中使用的一组基因，在总共134个病变中，有43个结节被归类为高危，而91个被归类为低危。该算法从这组标记图像中利用机器学习技术来选择与高风险结节和低风险结节相关的模式。
它使用这些模式形成自己的内部参数集，这些内部参数可用于对将来的图像集进行排序。它本质上是在这项新任务上进行了“培训”。
然后，研究人员在另一组未标记图像上测试了训练后的模型，以查看与分子测试结果相比，该模型如何能对高和低遗传风险结节进行分类。
研究人员发现，他们的算法以97%的特异性和90%的预测阳性值执行，这意味着该算法真正有良性结节的患者中有97%的超声将其超声读为“良性”，而恶性或“阳性”的患者则有90%按照算法分类，结核实际上是阳性的。
