诚邀您加入精准医学健康俱乐部！！（点击可查看详情）
甲状腺结节在成人的检出率高达40-66%。甲状腺超声是鉴别结节良恶性的首选无创手段，但存在15%-20%的误诊率。
面对上述的临床挑战，中山大学肖海鹏教授团队利用深度学习技术，基于近2万张甲状腺结节超声图像构建了人工智能（AI）诊断模型-ThyNet，并与12名资深超声医师进行交互，在7个中心的数据集对模型进行了验证。
多中心验证结果显示，ThyNetAI模型在外部多中心验证的准确率超过了拥有10年以上甲状腺超声经验的专家的水平。
结合ThyNet和美国放射学会甲状腺TIRADS指南建立的AI辅助决策模型，使临床需要依靠有创的甲状腺细针穿刺活检的病人比例从87.7%下降到53.4%，而漏诊率仅增加了0.4%。
其临床转化应用将能大大提升超声诊断效率和准确度，达到辅助诊断的目的，同时有利于缓解超声医生稀缺和医疗资源分配不均衡的现状。
目前学界对如何将AI应用于临床及其背后的伦理风险仍存在广泛争议。肖海鹏教授团队的研究发现当超声医生和AI诊断建议不一致时，有一半的医生修改了诊断，但却有四分之一的诊断是被病理证实为错误修改。该研究首次对AI如何具体影响临床决策和医疗行为及其可能的伦理风险提供了数据支持。
年3月22日，相关研究成果以题目为“Deeplearning-basedartificialintelligencemodelassistsinthyroidnodulemanagement:amulti-center,diagnosticstudy”（基于深度学习的人工智能模型有助于甲状腺结节管理：多中心诊断研究）在柳叶刀子刊TheLancetDigitalHealth杂志上发表，并获首页推介。
据悉该成果充分体现了多学科、交叉学科和多中心的协作创新和优势互补，获得了杂志官方网站的首页推介。
ThyNet模型和ACRTIRADS指南联合建立的AI辅助FNA决策模型
该论文第一作者是医院临床研究中心彭穗教授和刘贻豪助理研究员，甲乳外科吕伟明教授，中山大学肿瘤防治中心刘隆忠教授，医院临床研究中心周倩助理研究员。论文最后通讯作者为医院内分泌科肖海鹏教授，超声医学科王伟教授及哈佛大学ErikKAlexander教授为文章的共同通讯作者。
本项目由医院临床研究中心、内分泌科、超声医学科、甲乳外科和医疗大数据中心共同牵头完成，联合了华南6医院（广西医院、医院、医院、广州中医院和中国人民医院）和哈佛医院。清华大学和小白世纪团队协助完成工学网络。
欢迎扫码
