Узлы щитовидной железы – это небольшие образования, которые образуются внутри щитовидной железы и довольно часто встречаются среди населения в целом, с распространенностью до 67%. Подавляющее большинство узлов щитовидной железы не являются злокачественными и не вызывают никаких симптомов. Однако в настоящее время существует ограниченное руководство о том, что делать с узелком, если риск рака не определен. Новое исследование онкологического центра Сидни Киммела – Jefferson Health исследует, можно ли использовать неинвазивный метод ультразвуковой визуализации в сочетании с алгоритмом машинного обучения на платформе Google в качестве быстрого и недорогого первого скрининга на рак щитовидной железы.
"В настоящее время УЗИ может сказать нам, выглядит ли узелок подозрительным, а затем принимается решение, делать ли биопсию иглой или нет," говорит Элизабет Коттрил, доктор медицины, отоларинголог из Университета Томаса Джефферсона и клинический руководитель исследования. "Но тонкоигольная биопсия действует только как глазок, она не дает нам всей картины. В результате некоторые биопсии дают неубедительные результаты относительно того, может ли узелок быть злокачественным или злокачественным, другими словами."
Если исследование клеток игольной биопсии не дает результатов, образец можно дополнительно исследовать с помощью молекулярной диагностики для определения риска злокачественного новообразования. Эти тесты ищут наличие определенных мутаций или молекулярных маркеров, связанных со злокачественным раком щитовидной железы. Когда узелки дают положительный результат на маркеры высокого риска или мутации, щитовидная железа может быть удалена хирургическим путем. Однако стандарты того, когда использовать молекулярное тестирование, все еще находятся в разработке, и тест еще не предлагается во всех практических условиях, особенно в небольших общественных больницах.
Чтобы повысить предсказательную силу первой линии диагностики, ультразвука, исследователи Джефферсона изучили модели машинного обучения или искусственного интеллекта, разработанные Google. Эти приложения используются в других сферах: гиганты розничной торговли, такие как Urban Outfitters, используют машинное обучение, чтобы помочь классифицировать свои многочисленные продукты, облегчая потребителю поиск товара, который им интересен. Disney использует его для аннотирования своих продуктов, основанных на конкретных персонажах или фильмах. В этом случае исследователи применили алгоритм машинного обучения к ультразвуковым изображениям узлов щитовидной железы пациентов, чтобы увидеть, сможет ли он выделить отличительные закономерности. Исследование было опубликовано в JAMA Otolaryngology – Head & Операция на шее 24 октября.
"Целью нашего исследования было выяснить, может ли автоматическое машинное обучение использовать технологию обработки изображений для прогнозирования генетического риска узелков щитовидной железы по сравнению с молекулярным тестированием," говорит Келли Дэниэлс, студентка четвертого курса медицинского факультета Джефферсона и первый автор исследования.
Исследователи обучили алгоритм на изображениях 121 пациента, перенесших тонкоигольную биопсию под ультразвуковым контролем с последующим молекулярным тестированием. Из 134 полных поражений 43 узелка были отнесены к группе высокого риска, а 91 – к группе низкого риска на основании набора генов, использованных в молекулярном тестировании. Предварительный набор изображений с известной классификацией рисков использовался для обучения модели или алгоритма. Из этого банка помеченных изображений алгоритм использовал технологию машинного обучения, чтобы выделить закономерности, связанные с узелками высокого и низкого риска соответственно. Он использовал эти шаблоны для формирования собственного набора внутренних параметров, которые можно было использовать для сортировки будущих наборов изображений; это по сути "обученный" сам по этой новой задаче. Затем исследователи протестировали обученную модель на другом наборе немаркированных изображений, чтобы увидеть, насколько точно она может классифицировать узелки с высоким и низким генетическим риском по сравнению с результатами молекулярных тестов.
"Машинное обучение – это недорогой и эффективный инструмент, который может помочь врачам быстрее принять решение о том, как подойти к неопределенному узлу," говорит Джон Эйзенбрей, доктор философии.D., доцент радиологии и ведущий автор исследования. "Никто не использовал машинное обучение в области стратификации генетического риска узлов щитовидной железы на УЗИ."
Исследователи обнаружили, что их алгоритм работает с 97% специфичностью и 90% положительной прогностической ценностью, а это означает, что 97% пациентов, у которых действительно есть доброкачественные узелки, будут считывать УЗИ как "доброкачественный" по алгоритму, а 90% злокачественных или "положительный" узелки действительно положительные по классификации алгоритма . Высокая специфичность свидетельствует о низком уровне ложных срабатываний; это означает, что если алгоритм читает узел как "злокачественный" очень вероятно, что это действительно злокачественная опухоль. Общая точность алгоритма составила 77.4%.
"Это было такое важное сотрудничество хирургов и радиологов, и другие учреждения уже проявляют интерес к объединению наших ресурсов. Чем больше данных мы вводим в алгоритм, тем надежнее и предсказуемее мы ожидаем, что он станет," говорит доктор. Коттрил.
"Есть так много потенциальных приложений машинного обучения," говорит доктор. Эйзенбрей. "В будущем мы хотели бы использовать извлечение признаков, которое поможет нам идентифицировать анатомически важные особенности узелков высокого риска."
Хотя это предварительное исследование, исследование предполагает, что автоматизированное машинное обучение является многообещающим в качестве дополнительного диагностического инструмента, который может повысить эффективность диагностики рака щитовидной железы. Как только он станет более надежным, этот подход может дать врачам и пациентам больше информации, чтобы решить, необходимо ли удаление доли щитовидной железы.