基于深度学习的甲状腺结节良恶性预测方法研究
甲状腺良、恶性结节的研究进展
武釜匡堂垫!Q堡!旦箜!!鲞筮!塑幽』曼丛!坠堕，型：釜!：盟!：2，坠蝤，2垒!Q 专家论坛甲状腺良、恶性结节的研究进展戴为信1，徐眷2【关键词】甲状腺癌；甲状腺结节；分子生物学【中国图书分类号】R736．1甲状腺肿瘤是较常见的内分泌腺肿瘤，临床最初多表现为无痛性甲状腺结节，发病率为4％一7％，其中大多数为良性，约有5％为恶性。
甲状腺癌的预后与患者的年龄、性别、肿瘤大小、肿瘤类型、是否转移等有关，其中乳头状癌的病死率为8％一l l％，滤泡癌为24％一33％，髓样癌为50％，未分化癌为75％一90％。
早期诊断、早期治疗可以明显降低病死率，对甲状腺结节的正确判断是早期发现甲状腺癌的关键。
1甲状腺结节的评估1．1病因触诊甲状腺结节的发现率为4％一7％，其中男性为1．5％，女性为6．4％，超声检查为19％一67％。
甲状腺良性结节的病因有增生性、慢性淋巴细胞性甲状腺炎、甲状腺囊性变、滤泡腺瘤、H ur t hl e细胞瘤。
增生性结节是最常见的甲状腺良性病变，也称胶质性结节或腺瘤样结节，各种原因引起的甲状腺素合成障碍是增生性结节的病因，如碘缺乏。
甲状腺滤泡上皮细胞合成甲状腺激素受垂体分泌的促甲状腺激素(t hyr oi d st i m ul at i ng hor m one。
TS H)的调节，当甲状腺激素合成不足时，T SH分泌升高，在T SH刺激下，甲状腺滤泡上皮细胞增生，每个滤泡细胞对TS H的反应及本身的增殖能力不同，经过一段时间逐渐形成结节样改变。
甲状腺良性结节的第二个病因是慢性淋巴细胞性甲状腺炎，这是一种自身免疫性甲状腺疾病，常发生在女性，触诊甲状腺质地坚韧，有结节样改变，患者血中有高滴度的甲状腺球蛋白抗体和(或)甲状腺过氧化物酶抗体，作者简介：戴为信。
男，1945年出生。
硕士。
主任医师，教授。
从事甲状腺疾病的诊断与治疗。
作者单位：1．100730北京协和医院内分泌科；2．100039北京。
基于卷积神经网络的甲状腺结节超声图像良恶性分类研究
学术论著*基金项目：南京市医学科技发展资金“青年工程”人才培养专项经费资助项目(QRX11033)“基于卷积神经网络的甲状腺结节超声图像良恶性分类研究”；南京医科大学科技发展基金(NMUB2018338)“基于图像处理的放疗等中心位置精确性的研究”；南京医科大学科技发展基金一般项目(NMUB2019155)“基于卷积神经网络的肾脏肿瘤CT图像定位分割研究”①南京医科大学附属南京医院(南京市第一医院)医疗设备处 江苏 南京 210006②南京医科大学附属南京医院(南京市第一医院)功能检查科 江苏 南京 210006③南京市急救中心 江苏 南京 210003*通信作者：cmdjhb@作者简介：邹奕轩，男，(1995- )，硕士研究生，研究方向：医学图像处理与医学电子学。
[文章编号] 1672-8270(2020)03-0009-05 [中图分类号] R445.1 [文献标识码] AStudy on the classification of benign and malignant thyroid nodule in ultrasound image on the basis of CNNs/ZOU Yi-xuan, ZHOU Lei-lei, ZHAO Zi-ting, et al//China Medical Equipment,2020,17(3):9-13.[Abstract] Objective: T o study the feasibility of deep learning convolutional neural networks (CNNs) in the problem about classification of benign and malignant thyroid nodules in ultrasound image and to assess its effect. Methods: By using transfer learning, three kinds of CNN models (VGG19 model, Inception V3 model and DenseNet 161 model) that obtained pre-training parameters from the natural image training set were trained and adjusted. And the ultrasound images of thyroid nodules were used to test the 3 kinds of CNN models. Results: The classification effect of VGG19 model was poor, and its accuracy rate (88.18%) was lower than that of Inception V3 model (92.85%) and DenseNet models (92.91%). Inception V3 model and DenseNet model had significant advantages in accuracy, number of parameters and training efficiency. Among them, the DenseNet model had faster convergence speed and better generalization performance, but it occupied more video memory in calculation. Conclusion: Deep learning CNNs can assisted diagnose benign and malignant thyroid nodule in ultrasound images, and its effect is favorable. And DenseNet model shows better performance in the classification of benign and malignant thyroid nodules of ultrasound images. [Key words] Ultrasound; Thyroid; Classification; Deep learning; Convolutional neural networks (CNNs)[First-author’s address] Department of Medical Equipment, Nanjing First Hospital, Nanjing Medical University(Nanjing First Hospital), Nanjing 210006, China.[摘要] 目的：研究深度学习卷积神经网络(CNNs)在甲状腺结节超声图像良恶性分类问题中的可行性并评估效果。
基于深度学习的甲状腺淋巴结转移癌病理诊断方法
185
学
模型,将人工 过程 的模
，最
终
腺淋巴结转移 的病
。
1方法
病
在病
时
为:先在
显
倍率下观察细胞组织结构、再在显 高
倍率下观察细
,给
结果。所以提
多 中心的深度学
模型,用 模拟人工
的
程;应用深度学习算法构 下结构
察 中心、镜下细 察 中心和综合诊断
中心,以实现病
的综合判别过程。
1.1镜下结 察任务中心
，此 文以日常工作重点之一的 腺的淋巴
结转移
为研究 ，以期望能应用机器学习
方动
工作。
通过
以发现，以上机器方
病
时,都只着 下细
的识别过程，缺乏对组
结构的判别，
地体现病
的过程。
此提 的方 是:综合病
的多 下的图
像信息，构
模糊集的多任务中心的深度
29期
彭雅琴，等:基于深度学习的甲状腺淋巴结转移癌病理诊断方法
移、
，然训练卷积神经网络)一种 的空
间受限的卷积神经网络被提出&11'，并
创新的
邻 同预测
细胞的。在 病
上，
块图 发，先用卷积神经网
训
练给 测， 而 将 块图 的 测结果通过 融合成图像的预测结果［12］)
合作团队经常有以下场景:病人 颈脖不舒
服、 ，然
院 ，多
巴问题。病
科的淋巴结切片 和 工作量
较繁
(BE2016001-0)和江苏省高校自然科学基金(17KJB520032)资助
第一作者简介:彭雅琴(1983-)，女，汉族，江
人，硕士，副教
基于数据挖掘方法的甲状腺结节良恶性ct分类模型的建立
740基于数据挖掘方法的甲状腺结节良恶性CT 分类模型的建立梁红琴1，朱立强2，王健1*1.陆军军医大学第一附属医院放射科，重庆 400038；2.解放军第三二二医院质控科，山西大同 037006； *通讯作者 王健 wangjian811@【摘要】目的 根据甲状腺结节CT 特征指标建立分类模型，以病理结果作为“金标准”，预测甲状腺结节的性质。
资料与方法 回顾性分析143例甲状腺结节患者的临床和影像学资料，按照病理结果分为良性组（n =56）及恶性组（n =87），分别采用Fisher 线性判别方法和非条件Logistic 回归算法建立数据挖掘模型，采用受试者工作特征（ROC ）曲线下面积比较两个模型的诊断效能。
另选取55例甲状腺结节患者进行数据验证。
结果 两组患者的年龄、结节大小、淋巴结显示及增强强化后CT 值比较，差异均有统计学意义（P <0.05）。
Fisher 判别方法的敏感度为96.6%，特异度91.1%，约登指数为94.4%。
非条件Logistic 回归法的敏感度为95.4%，特异度为92.9%，约登指数为94.4%。
两个模型的ROC 曲线下面积比较，差异无统计学意义（Z =0.3，P =0.765）。
使用55例甲状腺结节患者进行验证，Fisher 判别及非条件Logistic 回归敏感度均为66.7%，特异度均为92.3%，约登指数为72.7%，但对具体样本的判别结果有所差异。
结论 建立的两种模型对甲状腺结节性质的判断结果均较为理想，判别模型与非条件Logistic 回归的泛化能力一致。
【关键词】甲状腺结节；体层摄影术，X 线计算机；病理学，外科；数据挖掘；算法；诊断，鉴别 【中图分类号】R445.3；R581 【DOI 】10.3969/j.issn.1005-5185.2019.10.005Establishment of CT Classification Model of Benign and Malignant Thyroid Nodule Based on Data Mining MethodLIANG Hongqin 1, ZHU Liqiang 2, WANG Jian 1*Department of Radiology, Southwest Hospital, Army Medical University, Chongqing 400038, China; *Address Correspondence to: WANG Jian; E-mail: wangjian811@【Abstract 】Purpose To establish the classification model according to the CT characteristics of thyroid nodule and predict the nature of thyroid nodule by taking pathological results as gold standard. Materials and Methods Retrospective analysis was conducted for the clinical and imaging data of 143 patients with thyroid nodule. According to pathologic findings, the patients were divided into benign group (n =56) and malignant group (n =87). Fisher linear discriminant analysis method and unconditional Logistic regression algorithm were used to establish the data mining model respectively. The area under the receiver operating characteristic (ROC) curve was used to compare the diagnostic efficacy of the two models. Another 55 patients with thyroid nodule were selected for data verification. Results No statistical difference in age, nodule size, lymph node display and enhanced CT values was observed between the patients of the two groups (P <0.05). The sensitivity, specificity and Yoden index of Fisher discrimination method were 96.6%, 91.1% and 94.4%, respectively; those of unconditional Logistic regression algorithm were 95.4%, 92.9% and 94.4%, respectively. The areas under ROC curves of the two models were compared and showed statistical significance (Z =0.3, P =0.765). A total of 55 patients with thyroid nodule were used for verification. The sensitivity of Fisher discrimination and unconditional Logistic regression was 66.7%, the specificity was 92.3%, and the Yoden index was 72.7%. However, there were differences in the discrimination results of specific samples. Conclusion The two established models have relatively ideal results in determining the nature of thyroid nodules. The generalization ability of discrimination model is consistent with that of unconditional Logistic regression.【Key words 】Thyroid nodule; Tomography, X-ray computed; Pathology, surgical; Data mining; Algorithms; Diagnosis, differential Chinese Journal of Medical Imaging, 2019, 27 (10): 740-744随着碘摄取率、肥胖、胰岛素抵抗及基因等因素的影响，甲状腺癌的发病率有所升高，约占全身肿瘤的1%[1]。
基于深度学习的甲状腺结节良恶性预测方法研究
基于深度学习的甲状腺结节良恶性预测方法研究陈德华;周东阳;乐嘉锦【摘要】甲状腺结节是一种常见临床疾病,其发病率逐年增高.对于诊治甲状腺结节的首要问题是明确及鉴别其良恶性质.为了提高甲状腺结节良恶性预测的准确率,提出一种基于深度学习的甲状腺结节良恶性鉴别方法.实验在真实医疗数据集上对比了深度学习算法与传统BP神经网络和逻辑回归算法,结果表明基于深度学习的预测方法具有最高的准确率,在非稀疏数据和稀疏数据集上分别达到94%和88.84%.【期刊名称】《微型机与应用》【年(卷),期】2017(036)012【总页数】3页(P13-15)【关键词】甲状腺结节良恶性预测;受限玻尔兹曼机;深度信念网络;深度学习【作者】陈德华;周东阳;乐嘉锦【作者单位】东华大学计算机科学与技术学院,上海 201620;东华大学计算机科学与技术学院,上海 201620;东华大学计算机科学与技术学院,上海 201620【正文语种】中文【中图分类】TP181;TP183在甲状腺结节的临床治疗过程中，甲状腺结节良恶性的鉴别是甲状腺结节诊治的基础。
目前，穿刺检查和病理检查是鉴别甲状腺结节良恶性的主要手段。
但是，穿刺检查和病理检查具有损伤性，对患者的正常甲状腺组织造成破坏。
因此，如何有效地利用无损伤的超声检查结果来预测甲状腺结节良恶性，对于甲状腺结节诊治具有重要的意义。
为了帮助医生提高临床诊断的准确性，让患者避免不必要的检查过程，降低患者误诊率，近年来越来越多的学者试图通过机器学习、专家系统等人工智能方法进行甲状腺结节良恶性鉴别。
深度学习技术是机器学习领域中最新研究成果，通过构建具有很多隐藏层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性，因此，与传统的机器学习方法相比，利用深度学习来学习特征，更能够刻画数据丰富的内在信息,并展现出强大的从样本集中学习数据集本质特征的能力[1]。
但是目前大多数研究都是基于甲状腺超声图像数据，或者经过挑选之后比较完整的文本特征数据，采用传统的机器学习方法训练模型，没有考虑到真实医疗数据存在稀疏性的问题，因此预测结果还有很大的提升空间[2]。
《基于深度学习的甲状腺结节辅助诊断技术研究》
《基于深度学习的甲状腺结节辅助诊断技术研究》篇一一、引言随着人工智能的不断发展，深度学习技术已被广泛应用于医学图像处理和疾病诊断等领域。
其中，甲状腺结节诊断是一个具有挑战性的临床问题。
为了提升诊断效率和准确性，本研究将基于深度学习技术开展甲状腺结节辅助诊断技术研究。
该技术可辅助医生对甲状腺结节进行更准确、高效的诊断，具有重要的医学价值和实际应用意义。
二、深度学习与甲状腺结节诊断深度学习算法通过对大量图像数据的自动学习，提取图像特征并完成分类、识别等任务。
在甲状腺结节诊断中，深度学习技术可用于对超声图像进行自动分析和诊断。
相较于传统的人工诊断方法，深度学习技术具有更高的诊断效率和准确性，能够显著提高医生的工作效率，降低误诊率。
三、方法与技术路线本研究采用基于卷积神经网络的深度学习算法，对甲状腺结节超声图像进行特征提取和分类。
技术路线主要包括以下几个步骤：1. 数据收集与预处理：收集甲状腺结节超声图像数据，进行数据清洗、标注和归一化等预处理操作。
2. 构建卷积神经网络模型：根据数据特点和诊断需求，设计适合的卷积神经网络模型。
3. 训练与优化模型：使用大量标注的甲状腺结节超声图像数据对模型进行训练和优化。
4. 模型评估与测试：通过交叉验证等方法对模型进行评估和测试，确保模型的诊断准确性和可靠性。
5. 模型应用与反馈：将训练好的模型应用于实际临床诊断中，根据实际应用情况进行模型调整和优化。
四、实验结果与分析本实验采用某医院收集的甲状腺结节超声图像数据，对所构建的卷积神经网络模型进行训练和测试。
实验结果表明，该模型在甲状腺结节的诊断中具有较高的准确性和可靠性。
具体来说，该模型对良性结节和恶性结节的识别准确率分别达到了90%和85%。
深度学习的甲状腺医学影像辅 助诊断技术研究
深度学习的甲状腺医学影像辅助诊断技术研究近年来，深度学习技术在影像辅助诊断领域得到了广泛的应用。
通过使用深度学习算法，医学影像数据可以自动化地进行分析和识别，辅助医生快速准确地做出诊断。
本文将介绍一项基于深度学习技术的甲状腺医学影像辅助诊断技术研究。
1. 研究背景甲状腺是人体内非常重要的一个内分泌腺体，它主要负责调节身体的代谢功能。
甲状腺疾病在世界范围内非常常见，而甲状腺结节则是最为常见的甲状腺疾病之一。
甲状腺结节可以以良性和恶性两种状态存在，其中恶性结节的早期检测和诊断对于预防甲状腺癌的发生至关重要。
然而，由于甲状腺结节的形态大小和特征复杂多样，传统的线性分类方法往往难以达到准确的结果。
因此，寻求新的技术手段进行甲状腺结节的早期诊断非常必要。
2. 研究内容本项研究通过利用深度学习技术，针对甲状腺结节的医学影像数据进行自动特征提取和分类，并辅助医生进行病理类型的诊断。
具体实现流程如下：（1）数据采集：收集一批具有代表性的甲状腺结节影像数据，这些数据包括超声和CT两种类型的医学影像数据。
对于每个病例，分别采集其多侧位、多角度等不同视角下的医学影像数据，从而尽可能地提高分类准确率。
（2）数据预处理：对采集到的医学影像数据进行预处理，包括标准化、去除噪声、平滑处理等，从而提高图像质量和减少数据的复杂性。
（3）网络搭建：采用深度卷积神经网络（DCNN）进行甲状腺结节的分类。
该网络包含多个卷积层、池化层、全连接层等基本模块，能够有效地进行图像的特征提取和维度压缩。
（4）模型训练：通过将预处理后的数据输入到深度卷积神经网络中，利用梯度下降等常见算法进行模型训练，从而获得较好的分类能力和鲁棒性。
（5）结果分析：对训练后的模型进行测试和评估，从而得出其分类准确率、召回率、F1值等评价指标，进一步评价所提出的甲状腺医学影像辅助诊断技术的有效性和可行性。
3. 研究意义本项研究提出了一种基于深度学习技术的甲状腺医学影像辅助诊断技术，能够辅助医生进行恶性和良性结节的分类和判别，从而提高甲状腺疾病的早期诊断和治疗效果。
《基于深度学习的甲状腺结节辅助诊断技术研究》范文
《基于深度学习的甲状腺结节辅助诊断技术研究》篇一一、引言随着人工智能的不断发展，深度学习在医学领域的应用日益广泛。
甲状腺结节是临床常见的疾病之一，其诊断通常依赖于医生的经验和视觉判断，存在主观性和误诊的可能性。
因此，基于深度学习的甲状腺结节辅助诊断技术的研究具有重要的实际应用价值。
本文旨在探讨基于深度学习的甲状腺结节辅助诊断技术的相关研究，为临床诊断提供参考。
二、研究背景甲状腺结节是指甲状腺内出现的单个或多个异常肿块，其良恶性对患者的治疗和预后具有重要影响。
传统的诊断方法主要依靠医生的视觉判断和触诊，存在主观性和误诊的风险。
随着医学影像技术的不断发展，超声成像成为诊断甲状腺结节的主要手段。
然而，超声图像的解读需要医生具备丰富的经验和专业知识，且不同医生之间的诊断结果可能存在差异。
因此，研究一种能够辅助医生进行甲状腺结节诊断的技术具有重要意义。
三、深度学习在甲状腺结节诊断中的应用深度学习是一种模拟人类神经网络工作的机器学习技术，具有强大的特征学习和表示学习能力。
在甲状腺结节诊断中，深度学习可以应用于超声图像的自动识别和分类，辅助医生进行诊断。
目前，基于深度学习的甲状腺结节诊断技术主要包括以下方面：1. 图像预处理：对超声图像进行预处理，包括去噪、增强、分割等操作，以便更好地提取图像特征。
2. 特征提取：利用深度学习算法提取超声图像中的特征，如结节的形态、边界、内部回声等。
3. 分类模型：将提取的特征输入到分类模型中，如卷积神经网络、支持向量机等，对结节进行良恶性的分类。
四、研究方法本研究采用深度学习技术，构建了一种基于超声图像的甲状腺结节辅助诊断模型。
具体步骤如下：1. 数据集准备：收集甲状腺结节的超声图像数据，包括良性结节和恶性结节的图像。
2. 图像预处理：对图像进行去噪、增强等预处理操作，以提高图像质量。
3. 特征提取：利用深度学习算法提取图像中的特征，如结节的形态、边界、内部回声等。
4. 分类模型构建：采用卷积神经网络构建分类模型，将提取的特征输入到模型中进行训练和测试。
《基于深度学习的甲状腺结节辅助诊断技术研究》范文
《基于深度学习的甲状腺结节辅助诊断技术研究》篇一一、引言随着人工智能的不断发展，深度学习技术已被广泛应用于医学图像处理和疾病诊断等领域。
其中，甲状腺结节诊断是临床医学中常见且重要的诊断任务之一。
传统的甲状腺结节诊断方法主要依赖于医生的经验和专业知识，而深度学习技术为甲状腺结节的辅助诊断提供了新的可能性。
本文旨在研究基于深度学习的甲状腺结节辅助诊断技术，以提高诊断的准确性和效率。
二、深度学习在医学图像处理中的应用深度学习在医学图像处理中具有广泛的应用，包括病变检测、图像分割、疾病分类等。
在甲状腺结节诊断中，深度学习技术可以通过对超声、CT等医学影像数据进行学习和分析，提取出结节的特征，从而辅助医生进行诊断。
与传统的诊断方法相比，深度学习技术具有更高的准确性和效率。
三、基于深度学习的甲状腺结节辅助诊断技术研究1. 数据集与预处理本研究采用公开的甲状腺结节影像数据集，对数据进行预处理，包括图像去噪、归一化、标注等操作。
同时，为提高模型的泛化能力，我们还采用了数据增广技术，对原始数据进行扩充。
2. 模型设计与训练本研究采用卷积神经网络（CNN）作为基础模型，针对甲状腺结节的特点进行定制化设计。
模型包括卷积层、池化层、全连接层等结构，通过训练学习结节的特征。
在训练过程中，我们采用了批量梯度下降算法，通过不断调整模型参数，使模型在验证集上的性能达到最优。
3. 实验结果与分析我们使用训练好的模型对测试集进行测试，并与传统诊断方法进行比较。
实验结果表明，基于深度学习的甲状腺结节辅助诊断技术具有更高的准确率和召回率。
此外，我们还对模型的性能进行了分析，包括模型的泛化能力、鲁棒性等方面。
四、讨论与展望基于深度学习的甲状腺结节辅助诊断技术具有广阔的应用前景。
首先，该技术可以提高诊断的准确性和效率，减轻医生的负担。
其次，该技术可以辅助医生进行更准确的病情评估和治疗方案制定。
然而，该技术仍存在一些挑战和限制，如数据集的多样性和质量、模型的泛化能力等。
深度学习算法在甲状腺超声图像结节良恶性分类中的应用
深度学习算法在甲状腺超声图像结节良恶性分类中的应用林岚，张格,吴水才(北京工业大学生命科学与生物工程学院，北京100124)［摘要］介绍了超声在甲状腺结节诊断中的应用价值以及传统机器学习在甲状腺结节良恶性分类中的应用优势和局限性。
综述了基于深度学习的甲状腺超声图像结节良恶性分类的研究成果和进展,分析了研究中存在的问题。
指出了基于不同视角的多网络超声特征融合、深度特征与传统特征的多网络融合以及三维超声的采集和三维深度网络的应用等是该领域未来的发展方向。
［关键词］超声；深度学习；甲状腺结节；结节分类；卷积神经网络；深度置信网络；计算机辅助诊断［中国图书资料分类号］R318；R445.1［文献标志码］A［文章编号］1003-8868(2020)06-0093-06DOI：10.19745/j.1003-8868.2020143Application of deep learning algorithm in classification of benign and malignant nodules on thyroid ultrasound imagesLIN Lan,ZHANG Ge,WU Shui-cai(College of Life Science and Bioengineering,Beijing University of Technology,Beijing100124,China)Abstract The value of ultrasound in the diagnosis of thyroid nodules was introduced,and the advantages and limitations of the application of traditional machine learning were described in the classification of benign and malignant thyroid nodules. The research achievements and progress of deep learning-based classification of benign and malignant nodules on thyroid ultrasound images were reviewed and analyzed,and the problems during the researches were explored.It's pointed out the future development in the field involve in multi-network ultrasound feature fusion based on different perspectives,multi-network fusion of deep and conventional features,3D ultrasound acquisition and3D deep n etwork.［Chinese Medical Equipment Journal,2020,41(6)：93-98］Key words ultrasound;deep learning;thyroid nodule;nodule classification;convolutional neural network;deep confidence network;computer-aided diagnosis0引言甲状腺结节为甲状腺周围的不规则肿块，是内分泌系统的多发病。
基于超声特征集成学习的甲状腺结节分类方法研究
基于超声特征集成学习的甲状腺结节分类方法研究陈德华;吴迪;潘乔【摘要】甲状腺结节是一种比较常见的疾病,并且发病率有逐年上升的趋势.如何及时并准确地鉴别出结节的良恶性,采取相应的治疗措施,是甲状腺结节治疗过程中的核心问题.超声作为甲状腺结节初步诊断的主要检查方式,其特征数据对于鉴别结节良恶性具有指导意义.本文针对甲状腺结节超声特征数据存在稀疏和不平衡的问题,通过在目标函数中加入自定义项对集成学习算法进行改进,提出一种基于改进集成学习的甲状腺结节良恶性鉴别方法.实验在真实医疗数据集和UCI标准数据集上分别对比了本算法与随机森林、支持向量机、神经网络算法,结果表明该方法具有最高的准确率,分别达到92.43％和94％.【期刊名称】《智能计算机与应用》【年(卷),期】2016(006)006【总页数】5页(P12-16)【关键词】甲状腺结节;超声特征;不平衡性;改进的集成学习【作者】陈德华;吴迪;潘乔【作者单位】东华大学计算机科学与技术学院,上海201620;东华大学计算机科学与技术学院,上海201620;东华大学计算机科学与技术学院,上海201620【正文语种】中文【中图分类】TP391在甲状腺结节的临床治疗过程中，医生的首要内置目标即是判别结节的良恶性，而对于恶性结节患者需及时采取有效重要的手术治疗。
但是在临床实践中，为了准确判别患者结节的良恶性特征属性，医生首先对疑似或确诊为甲状腺结节的患者设计指定超声检查，然后根据超声检查的各项指标，对疑似恶性结节患者增加细针穿刺活检，由此方可初步确定患者的良恶属性，最后才会得出推荐手术治疗的终诊论断[1]。
不难看出，患者诊断结果的准确性主要依赖于医生的主观判断。
由于不同医生的临床经验和医院医疗设施等存在差异，势必会造成不同程度的结果误诊。
如此一来，将不仅严重影响患者正确治疗的展开推进，危及患者身体健康，而且也将对医疗资源造成一定的损失和可观浪费。
为了帮助提高医生临床诊断的准确性，同时降低患者误诊率,简化患者前期检测的定制流程。
评估甲状腺结节恶性风险方法的研究进展孙嘉欣1李丹2（通讯作者）
评估甲状腺结节恶性风险方法的研究进展孙嘉欣 1 李丹 2 （通讯作者）发布时间：2023-06-09T07:24:26.672Z 来源：《医师在线》2023年5期作者：孙嘉欣 1 李丹 2 （通讯作者）[导读] 超声(US)是甲状腺实质评估的第一种成像方式。
1.佳木斯大学黑龙江佳木斯 1540002.佳木斯大学附属第一医院黑龙江佳木斯 154000摘要：超声(US)是甲状腺实质评估的第一种成像方式。
在过去的几十年中，随着超声造影(CEUS)和超声弹性成像(USE)等新超声软件的推出，超声的作用得到了提升。
如今，USE 被认为是多参数超声 (MPUS) 检查的重要组成部分，特别是对于不确定的甲状腺结节。
关于甲状腺癌分子机制的新知识使从业者能够识别新的基因组甲状腺标记物，从而减少“诊断性”甲状腺切除术的数量。
因此，我们针对甲状腺结节多参数超声(MPUS)进行综述。
关键词：甲状腺结节；参数超声；超声弹性成像；超声造影1.概述甲状腺结节在一般人群中很常见，主要是偶然发现的，超声 (US) 评估的患病率为19-68%，这是用于颈部成像的第一种检查方法。
然而，尽管超声是检测甲状腺结节的成熟且非常敏感的方法，并且优于临床物理触诊，但在区分良性和恶性结节方面，它的诊断性能相对较低。
因此，当患者的促甲状腺激素水平正常但超声显示可疑体征时，建议进行细针穿刺活检(FNAB)，这会增加必须进行的细胞学检查的次数以及相关的卫生系统随之而来的成本。
然而，考虑到卫生服务的经济负担，并避免患者不必要的焦虑，对每个甲状腺结节进行活检以获得组织学诊断是不现实的。
因此，现在主要依赖仪器(US)和生物(FNA) 分析的准确和精确的成像是必要的。
在过去的十年中，从公共教育计划到指南和诊断的改变，人们做出了各种努力来减轻过度诊断在甲状腺癌发病率上升中的作用。
近年来，一些研究提出了使用新超声技术的潜在用途，例如CEUS（造影增强超声），尤其是USE（超声弹性成像），以提高基线超声的准确性[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｓｏ ｆ ｔ ｗａ ｒ ｅ ａ ｎ ｄ Ａｌ ｇ ｏｒ ｉ ｔ ｈ ｍｓ
基 于 深度 学 习 的 甲状 腺 结 节 良恶性 预 测 方 法研 究
陈德 华 ， 周 东阳， 乐嘉 锦
（ 东 华 大学 计 算 机 科 学 与 技 术 学 院 ， 上海 ２ ０ １ ６ ２ ０）
摘
要： 甲状腺 结节是 一种 常见 临床 疾病 ， 其发 病率逐 年增 高。对 于诊 治 甲状腺 结节的 首要 问题 是 明确 及鉴 别其 良恶性 质。 为
Ａｂｓ ｔ ｒ ａｃｔ ：Ｔｈ ｙ ｒ ｏ ｉ ｄ ｎ ｏ ｄ ｕｌ ｅ ｉ ｓ ａ ｃ ｏ ｍｍｏ ｎ ｃ ｌ ｉ ｎ ｉ ｃ ａ ｌ ｄ ｉ ｓ ｅ ａ ｓ ｅ ａ ｎ ｄ ｔ ｈｅ ｉ ｎ ｃ ｉ ｄ ｅ ｎ ｃ ｅ ｈ ａ ｓ ｉ ｎｃ ｒ ｅ ａ ｓ ｅ ｄ ｙ ｅ ａ ｒ ｂ ｙ ｙ ｅ ａ ｒ ．Ｆ ｏ ｒ ｔ ｈｅ ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ａ ｎｄ ｔ ｒ ｅ ａ ｔ ｍｅ ｎ ｔ ｏ ｆ ｔ ｈ ｙ ｒ ｏ ｉ ｄ
Ｃ ｈ ｅ ｎ Ｄｅ ｈ ｕ ａ ，Ｚ ｈ ｏ ｕ Ｄ ｏ ｎ ｇ ｙ ａ ｎ ｇ ，Ｌ ｅ Ｊ ｉ ａ ｊ ｉ ｎ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｄｏ ｎ ｇ ｈ ｉ ｌ ａ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ２ ０ １ ６ ２ ０，Ｃｈ ｉ ｎ ａ ）
ｎ ａ ｎｔ ｔ ｈｙ ｒ ｏ ｉ ｄ ｎ ｏ ｄ ｕ ｌ ｅ ｓ， ｔ ｈ ｉ ｓ ｐａ ｐｅ ｒ ｐ ｒ ｅ ｓ ｅ ｎｔ ｓ ａ ｍｅ ｔ ｈｏ ｄ ｆ ｏ ｒ ｔ ｈｅ ｉ ｄｅ ｎ ｔ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｂｅ ｎ ｉ ｇ ｎ ａ ｎｄ ｍａ ｌ ｉ ｇ ｎ ａ ｎｔ ｔ ｈｙ ｒ ｏ ｉ ｄ ｎｏ ｄ ｕ ｌ ｅ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｄ ｅ ｅ ｐ ｌ ｅ ａ ｒ ｎｉ ｎ ｇ．
Ｋｅｙ ｗ ｏｒ ｄｓ：ｂｅ ｎｉ ｇ ｎ ａ ｎ ｄ ｍａ ｌ ｉ ｇ ｎａ ｎ ｔ ｔ ｈ ｙ ｒ ｏ ｉ ｄ ｎ ｏ ｄｕ ｌ ｅ ｓ ｐ ｒ ｅ ｄｉ ｃ ｔ ｉ ｏ ｎ； ｌ ｉ ｍｉ ｔ ｅ ｄ Ｂｏ ｈｚ ｍａ ｎ ｎ ｍａ ｃ ｈ ｉ ｎ ｅ；ｄｅ ｅ ｐ ｂ ｅ ｌ ｉ ｅ ｆ ｎ ｅ ｔ ｗｏ ｒ ｋ；ｄｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ
和稀 疏数 据集上 分 别达到 ９ ４ ％和 ８ ８ ． ８ ４ ％。
关键 词 ： 甲 状 腺 结 节 良 恶性 预 测 ； 受 限 玻 尔兹 曼 机 ； 深 度 信 念 网络 ； 深 度 学习
中 图分类 号 ： Ｔ Ｐ １ ８ １ ； Ｔ Ｐ １ ８ ３ 文献标 识码 ： Ａ Ｄ Ｏ Ｉ ：１ ０ ． １ ９ ３ ５ ８ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ４ — ７ ７ ２ ０ ． ２ ０ １ ７ ． １ ２ ． ０ ０ ４
ｎ ｏ ｄｕ ｌ ｅ ｓ，ｔ ｈ ｅ ｐ ｒ ｉ ｍａ ｒ ｙ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｉ ｓ ｔ ｏ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｙ ｔ ｈｅ ｂ ｅ ｎ ｉ ｇ ｎ ａ ｎｄ ｍａ ｌ ｉ ｇ ｎ ａ ｎ ｔ ｎ ａ ｔ ｕｒ ｅ ．Ｉ ｎ ｏ ｒ ｄｅ ｒ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｏ ｆ ｂｅ ｎｉ ｇ ｎ ａ ｎｄ ｍａ ｌ ｉ ｇ —
Ｔｈ ｒ ｏ ｕ ｇ ｈ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎｔ ｓ， ｔ ｈ ｅ ｄｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｉ ｓ ｃ ｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ＢＰ ｎ ｅ ｕｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ａ ｎ ｄ ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ｉ ｎ ｔ ｈ ｅ ｒ ｅ ａ ｌ ｍｅ ｄ ｉ ｃ ａ ｌ ｄ ａ ｔ ａ ｓ ｅ ｔ ． Ｔｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ Ｏ ｉ ｌ ｄｅ ｅ ｐ ｌ ｅ ａ ｒ ｎｉ ｎｇ ｈａ ｓ ｔ ｈ ｅ ｈｉ ｇ ｈ ｅ ｓ ｔ ａ ｃ ｃ ｕｒ ａ ｃ ｙ， ｒ ｅ ａ ｃ ｈｉ ｎｇ ９３． ５ ７％ ｎ ｏ ｎ— ｓ ｐａ ｒ ｓ ｅ ｄ ａ ｔ ａ ａ ｎｄ ｔ ｈ ｅ ｓ ｐ ａ ｒ ｓ ｅ ｄａ ｔ ａ ｓ ｅ ｔ ． ａ ｎ ｄ ８ ８． ８ ４％ ｗｉ ｔ ｈ ｔ ｈ ｅ
引用 格式 ： 陈德 华 ， 周东 阳 ， 乐嘉 锦． 基 于深 度学 习 的甲状腺 结节 良恶性 预测 方法 研究 ［ Ｊ ］ ． 微型机 与应用 ， ２ ０ １ ７ ， ３ ６ （ １ ２ ） ： １ ３ － １ ５ ．
Ｔｈ ｙ ｒ ｏ ｉ ｄ ｎ ｏ ｄ ｕ ｌ ｅ ｂ ｅ ｎ ｉ ｇ ｎ ａ ｎ ｄ ｍａ ｌ ｉ ｇ ｎ ａ ｎ ｔ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｄ ｅ ｅ ｐ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ