一项新的研究表明，人工智能(AI)和甲状腺超声的结合可以为甲状腺癌提供快速无创的筛查方法。

这项发表在期刊《PLOS Pathogens》上的研究表明，自动化机器学习显示出作为一种额外的诊断工具的前景，可以提高甲状腺癌的诊断效率。

该研究的主要作者、托马斯杰斐逊大学的约翰艾森伯里(John Eisenbury)表示，“机器学习是一种低成本、高效率的工具，可以帮助医生更快地决定如何处理不确定的结节。”

据研究人员介绍，目前超声可以判断一个结节是否可疑，然后决定是否进行穿刺活检，但细针活检只起到窥视孔的作用，不能显示整个图像。

结果，一些活组织检查返回了关于结节是恶性还是癌性的不确定结果。

为了提高一线超声诊断的预测能力，研究人员研究了谷歌开发的机器学习或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，看看它是否可以识别不同的模式。研究人员在121名患者的图像上训练了该算法，这些患者接受了超声引导细针活检，然后进行分子检测。

根据分子测试中使用的一组基因，在总共134个损伤中，43个结节被分类为高风险，而91个结节被分类为低风险。该算法使用机器学习技术从这组标记的图像中选择与高风险结节和低风险结节相关的模式。

它使用这些模式来形成自己的内部参数集，这些参数集可用于对未来的图像集进行排序。这实质上是对这项新任务的“训练”。

然后，研究人员在另一组未标记的图像上测试了训练好的模型，以查看与分子测试的结果相比，该模型如何区分高和低遗传风险结节。

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，这意味着算法中97%的良性结节患者将他们的超声读取为“良性”，而90%的恶性或“阳性”患者根据算法分类，结核病实际上是阳性的。