编辑推荐：
全球及中国甲状腺癌（TC）发病率呈上升趋势，其中乳头状甲状腺癌（PTC）占比达80%-90%，其预后受影像和病理特征影响显著。本文系统评估深度学习（DL）在PTC诊断中的应用，涵盖超声、CT、MRI及H&E染色切片的微钙化、核沟等特征分析，并探讨其与分子生物标志物的整合。当前挑战包括数据异质性和模型可解释性不足，未来方向为多中心数据融合、影像-分子混合模型及可解释AI框架构建，以优化术前风险分层和精准治疗策略。
周应章|姚磊|金龙|詹振林|王建华|陈虎|林立生|林宏新
福建师范大学光子与电子工程学院，中国福州350007
摘要
本文探讨了全球甲状腺癌（TC）的发病率趋势，重点关注中国的流行病学特征，其中乳头状甲状腺癌（PTC）的患病率异常高。作为与不良预后指标相关的主要组织学亚型，PTC需要早期发现。本研究系统评估了深度学习（DL）在PTC诊断中的应用，特别是通过核特征和结构特征来识别病理亚型。DL模型在分析超声、计算机断层扫描（CT）、磁共振成像（MRI）以及苏木精-伊红（H&E）染色组织病理切片等方面表现出更高的准确性，能够检测到微钙化、不规则边缘和核沟。当前的进展包括放射基因组相关分析和分子特征预测。然而，仍存在一些限制，如数据集异质性、模型可解释性受限以及影像标准化挑战。未来的研究方向包括多中心数据整合、结合影像和分子生物标志物的混合模型开发，以及可解释的人工智能（AI）框架，以优化临床决策。展望未来，这项技术进步有望通过实现更精确的术前风险分层和个性化治疗策略，从根本上改变PTC的诊断方式，最终改善患者预后并推动精准肿瘤学的发展。
引言
甲状腺癌（TC）是内分泌系统中较为常见的恶性肿瘤。根据世界卫生组织（WHO）2022年发布的全球癌症统计数据，全球TC的发病率约为4.1%，在所有癌症类型中排名第七（Nierengarten, 2024）。在中国，TC的发病率也位列第七。值得注意的是，韩国女性的发病率是全球最高的，这表明某些人群的TC风险可能更高（Dong et al., 2016）。因此，全面研究TC的病因、流行病学特征和预防策略对于降低其发病率至关重要。
近年来，中国的TC发病率呈稳步上升趋势，引起了公众和学术界的广泛关注。在组织学亚型中，乳头状甲状腺癌（PTC）最为常见，占所有TC病例的80%至90%（Baloch et al., 2022）。临床上，高风险群体包括女性、有辐射暴露史的人、有基因突变的人以及有TC家族史的人。尽管PTC通常具有生物学行为温和、进展缓慢和预后良好的特点，但它经常表现出广泛的局部侵袭和淋巴结转移（LNM）（Wang et al., 2024）。因此，有效识别与PTC不良预后相关的指标对于制定和实施早期手术计划具有重要的临床指导意义。在学术研究领域，深入探索和揭示这些与PTC不良预后相关的指标可以提高临床医生预测预后的能力，从而为患者制定更精确的个性化治疗策略，优化临床治疗效果。
因此，关于PTC诊断和治疗的研究越来越多地利用深度学习（DL）技术，该技术在分析放射学特征、病理核特征和分子信息数据方面显示出良好的潜力，以提高诊断精度和预后预测（Echle et al., 2021, Wu et al., 2022, Yuan et al., 2024）。
本综述旨在系统探讨DL技术在TC诊断中的最新应用进展。与以往仅提供临床病理特征和诊断指南的一般概述的研究不同，本文更详细地探讨了技术方法论和实际应用案例（Slack et al., 2023）。该综述不仅全面分析了机器学习和DL技术在该领域的应用，还特别强调了DL在多模态图像分析中的关键作用，涵盖了超声、计算机断层扫描（CT）、磁共振成像（MRI）以及苏木精-伊红（H&E）染色组织图像等多个维度，显著扩展了研究范围。与其他相关综述（Slabaugh et al., 2023）相比，本文在内容全面性和技术前沿性方面更具优势（方案1）。为解决孤立的技术进步与其临床应用之间的关键差距，本文综合并批判性地评估了DL在PTC诊断中的现状。此外，本文的一个独特之处在于它专注于PTC的具体病理类型，深入探讨了DL技术在病理诊断中的应用价值。与其他广泛的疾病综述（Razzaq et al., 2022）不同，本文提供了更专业和有针对性的技术指导和研究支持，旨在提高PTC的诊断准确性，并为临床实践提供更有价值的参考。在本综述中，首先建立了乳头状甲状腺癌（PTC）异质性的病理基础，随后明确了人工智能（AI）技术所针对的核心诊断挑战。
部分摘录
PTC亚型的异质性：病理基础及AI诊断的挑战
如引言所述，准确识别预后指标并在放射学、病理学和分子维度上应用DL技术对于优化PTC管理具有巨大潜力。然而，要有效利用这些技术进步，首先需要对其疾病本质有深刻而细致的理解。这一基础在于认识到PTC并非单一的疾病。
诊断、预后评估甚至治疗
DL在PTC影像诊断中的应用
如前一章所述，诊断和亚型划分PTC面临的多方面挑战需要同样多方面的解决方案。最近的研究表明，DL正在应对这一挑战，开始发挥量化工具、分类器、预测模型和集成平台的作用。初步探索已经展示了其在不同数据维度上的潜力：例如在超声中分析淋巴节点分割特征（
关键评估和方法学挑战
将AI从研究转化为PTC诊断的临床实践受到限制，这些限制需要基于具体证据进行批判性评估。一个核心挑战是主要在单中心、回顾性数据集上开发和验证的模型的泛化能力有限。例如，基于超声的分类研究（Zhu et al., 2021）或CT淋巴结检测研究（Wang et al., 2023）虽然报告了较高的内部性能，但其跨
利益冲突声明
所有作者声明与本手稿的发表无关任何利益冲突
致谢
本项目得到了福建师范大学横向项目（DH-2147）和福建省科技创新联合基金（2023Y9118）的支持。
