iNature

准确鉴别甲状腺乳头状癌患者的淋巴结转移，以进行合理、彻底的颈部淋巴结清扫术和科学的术后分层管理，对改善患者预后具有重要临床意义。然而术前超声和CT对颈部淋巴结转移的诊断效能欠佳，亟需新的手段指导甲状腺乳头状癌患者的手术决策。

2023年5月18日，中山大学附属第一医院肖海鹏教授团队甲状腺癌人工智能精准诊疗最新研究成果“Deep learning to predict cervical lymph node metastasis from intraoperative frozen section of tumour in papillary thyroid carcinoma： a multicentre diagnostic study”在eClinicalMedicine（IF=17）发表，该研究首次利用深度学习技术基于甲状腺乳头状癌患者术中肿瘤组织的冰冻病理图像构建淋巴结转移人工智能预测模型，提高淋巴结转移诊断的准确性，为甲状腺乳头状癌患者是否行颈部淋巴结清扫术提供可靠的依据。

甲状腺乳头状癌是甲状腺癌最常见的病理类型，约占所有甲状腺癌的90%以上。超过50%的甲状腺乳头状癌患者在确诊时就出现颈部淋巴结转移，转移淋巴结残留极大增加甲状腺乳头状癌复发风险，然而不必要的淋巴结清扫术又显着增加甲状旁腺损伤、喉返神经麻痹、出血等手术并发症。因此，准确鉴别发生颈部淋巴结转移的甲状腺乳头状癌患者，以减少因漏诊淋巴结转移而导致的疾病进展复发，同时减少不必要淋巴结清扫所致的手术并发症，是甲状腺乳头状癌诊疗面临的重大临床挑战。

肿瘤组织的病理图像蕴含着丰富的生物学信息，甲状腺乳头状癌的转移、侵袭等生物学行为与其病理特征有着显着相关性。但是传统的病理图像分析依靠病理医师的经验，存在主观差异大、分析费时费力且参数少等缺点，导致病理图像蕴含的丰富生物学信息不能被肉眼充分识别。而深度学习技术具有识别肉眼无法分辨的图像特征、定量分析、评判标准客观性强等优势。通过深度学习分析病理图像能获取肿瘤细胞形态的宏观信息，还能洞察肿瘤微环境等微观信息，这些海量的高维信息可以预测肿瘤的转移行为。因此，肖海鹏教授团队联合华南地区3家大型三甲医院，利用深度学习技术，基于3800余张甲状腺乳头状癌术中冰冻病理切片，构建淋巴结转移人工智能预测模型ThyNet-LNM，在4个中心的数据集对模型进行了验证，并与术前颈部超声和CT检查结果进行比较。

甲状腺乳头状癌淋巴结转移人工智能预测模型ThyNet-LNM示意图

研究结果显示，ThyNet-LNM模型在外部多中心验证的准确性显着优于术前颈部淋巴结超声和CT检查。基于ThyNet-LNM模型的预测结果开展颈部淋巴结清扫术，可将非进展期甲状腺乳头状癌患者不必要的淋巴结清扫率从56.4%减少至14.9%，减少手术创伤和并发症的风险。

ThyNet-LNM人工智能模型可减少不必要的淋巴结清扫术

论文第一作者是中山大学附属第一医院临床研究中心刘贻豪副研究员，赖凤华博士后和林勃主治医师为共同第一作者；论文中山大学附属第一医院内分泌科肖海鹏教授为最后通讯作者，甲状腺外科吕伟明教授为共同通讯作者。

肖海鹏教授团队围绕甲状腺癌临床诊疗难题，在人工智能精准诊疗领域开展了系统研究，系列成果发表在美国甲状腺协会会刊Thyroid杂志和柳叶刀AI子刊The Lancet Digital Health杂志（IF：36.615）。本研究是团队工作的延续和深入。

原始出处：

Yihao Liu， et al. Deep learning to predict cervical lymph node metastasis from intraoperative frozen section of tumour in papillary thyroid carcinoma： a multicentre diagnostic study. eClinicalMedicine， 2023.