4、基于深度学习的甲状腺结节检测与分类

基于深度学习的甲状腺结节检测与分类

1 引言

传统的疾病诊断和治疗方法严重依赖医生的专业知识。然而，这种诊断方式存在明显缺陷，其有效性高度依赖医生的经验和智力，导致诊断准确性受多种因素制约。随着数字技术的发展，基于图像的诊断方法日益流行，它能帮助临床医生研究人体内部器官的异常情况。不过，医疗从业者对采集图像的利用能力和专业知识仍然是影响诊断效果的重要因素。

为了解决这一问题，计算机辅助诊断系统（CAD）应运而生，它借助计算机来提高人类诊断的性能，并可用于双重验证。这种技术能分析和解读各种器官的医学图像，如超声扫描图像，分析后的分类输出有助于医生诊断疾病。

甲状腺是人体中一个重要的器官，它能产生调节新陈代谢的重要激素。甲状腺疾病的诊断和治疗至关重要，因为甲状腺结节的形成是该区域常见的问题，这些结节可能是良性的，也可能是恶性的。甲状腺癌占所有恶性肿瘤的 10%，是内分泌系统中最常见的癌症。由于许多甲状腺结节是偶然发现的，CAD 对甲状腺结节的分类有助于放射科医生做出准确诊断。

临床上，评估甲状腺结节具有一定难度。甲状腺结节常在颈部诊断成像时偶然发现，且随着年龄增长，其患病率会增加，在 42 - 76%的成年人中可见。大多数甲状腺结节被认为是良性的，但仍有 10%可能是恶性的。针对甲状腺癌的治疗方法包括放射性碘治疗、甲状腺切除术、免疫疗法或放化疗等，具体治疗方案会根据组织学亚型、患者偏好和其他因素以及并发症而有所不同。超声图像不够清晰，通常需要进行细针穿刺活检（FNAB），但该方法可能会带来一些不良后果，且在 20 - 30%的 FNAB 中，细胞学分析结果不确定。

虚拟现实（VR）和增强现实（AR）是利用人工智能重建临床数据的数字全息图像技术。