影像检查及人工智能在甲状腺乳头状癌被膜外侵犯诊断中的研究进展

近年来，甲状腺癌的发病率呈现逐年上升的趋势，其中甲状腺乳头状癌（papillary thyroid carcinoma, PTC）占据了绝大多数，约为84%。尽管PTC通常预后良好，但其被膜外侵犯（extrathyroidal extension, ETE）却是一个重要的侵袭性特征，常常预示着较差的预后。因此，如何准确评估PTC的被膜外侵犯情况成为临床诊断和治疗中的一个关键问题。

目前，术前评估PTC是否存在被膜外侵犯主要依赖于影像学检查。超声检查因其无创性、便捷性和经济性而被广泛应用。然而，在评估ETE方面，超声检查仍然面临着缺乏统一诊断标准和预测指标的问题，导致其诊断效能较低。此外，CT和MRI虽然在某些方面具有优势，但在显示微小被膜外侵犯时仍存在不足。

随着人工智能（artificial intelligence, AI）技术在医学影像领域的迅速发展，影像学检查结合AI的应用逐渐成为可能。AI技术通过深度学习算法，可以从大量的影像数据中提取出细微的特征，帮助医生更准确地进行疾病的定位、诊断及预后监测。在甲状腺乳头状癌的诊断中，AI技术的引入为ETE的评估提供了有效的辅助。

AI在影像学检查中的应用主要体现在以下几个方面。首先，通过AI算法对超声图像进行分析，可以提高对甲状腺结节的识别率和分类准确性。研究表明，AI能够在一定程度上弥补传统超声检查的不足，尤其是在微小病灶的识别上表现出色。其次，AI结合CT和MRI影像数据，可以更好地评估肿瘤的侵袭性特征，包括被膜外侵犯的程度和范围。这种结合不仅提高了诊断的准确性，还为制定个性化治疗方案提供了重要依据。

此外，AI技术还可以用于术后的预后监测。通过对术前术后影像数据的对比分析，AI能够帮助医生及时发现复发或转移的迹象，从而提高患者的生存率和生活质量。

尽管AI在甲状腺乳头状癌诊断中的应用前景广阔，但其在临床实践中的推广仍面临一些挑战。首先，AI算法的开发和优化需要大量高质量的标注数据，这对数据的获取和处理提出了较高的要求。其次，AI系统的可靠性和稳定性需要在大规模临床试验中得到验证，以确保其在不同临床环境中的适用性。

总之，影像学检查结合人工智能技术在甲状腺乳头状癌被膜外侵犯诊断中的应用，代表了医学影像领域的一个重要进展。随着技术的不断完善和临床经验的积累，AI有望在未来的甲状腺癌诊疗中发挥更加重要的作用，为患者带来更好的诊疗体验和预后结果。

曾锐

重庆医科大学附属第一医院