要点
问题机器学习应用到超声能够risk-stratifying甲状腺结节的遗传地位?
发现134年诊断研究病变121例,通过自动化的机器学习模型是能够识别基因高风险甲状腺结节的超声,特异性为97%,阳性预测值为90%。
意义机器学习的研究结果表明,应用遗传危险分层的甲状腺结节是可行的,提供一个额外的诊断辅助细胞遗传学与不确定的细胞学结果结节。
重要性甲状腺结节通常是偶然发现的。超声和分子测试可以用来评估恶性肿瘤的风险。
客观的检查是否通过自动化的机器学习模型可以分层甲状腺结节为高或低遗传风险仅靠超声成像与分子检测分层相比高和低风险突变。
设计,设定和参与者这个诊断研究是由一个三级城市学术机构(n = 121),包括病人接受超声和分子检测甲状腺结节从1月1日,2017年,到2018年8月1日。结节被列为高风险或低风险的基础上,结果一个机构分子测试小组甲状腺风险基因。甲状腺结节,接受了细胞学基因测序结果与贝塞斯达系统综述了类别III和IV。病人没有诊断超声图像的细针穿刺活检或6个月内收到明确的外部医学中心治疗被排除在外。
主要结果和措施甲状腺结节的分类模型风险或低风险使用超声图像。使用基因测试结果进行了比较。
结果在134中确定病变121例(平均年龄(SD), 55.7(14.2)年;102年女性[84.3%]),683年诊断超声图像被选中。683图片,556(81.4%)被用于训练模型,74(10.8%)进行验证,53例(7.8%)进行测试。大部分结节没有突变(75[56.0%]),而43结节(32.1%)有一个高风险的突变和16例(11.9%)有一个未知或低风险突变(χ2= 39.060;P<措施)。总共228张图片(33.4%),结节列为高危基因(n = 43)和455年(66.6%)低风险的结节(n = 91)。模型执行的敏感性为45%(95%可信区间,23.1% -68.5%),特异性为97%(95%可信区间,84.2% -99.9%),阳性预测值90%(95%可信区间,55.2% -98.5%),阴性预测值74.4%(95%可信区间,66.1% -81.3%),和一个整体精度为77.4%(95%可信区间,63.8% -97.7%)。
结论和意义研究发现,通过自动化的机器学习模型可以产生高特异性分子检测识别高风险突变的结节。这一发现显示了诊断的应用机器学习承诺的解释不确定甲状腺结节的超声成像。
甲状腺结节是非常常见的,与一般人群的患病率高达67%,并且常常发现偶然在成像无关的检查。1一旦发现,结节应由专门的超声评估。最近(2015)指导美国甲状腺协会不建议进一步评估甲状腺结节直径小于1厘米,除非他们是伴有临床症状或淋巴结病。2对于任何结节大于1厘米,随后活检与细针穿刺活检(FNA)可能会推荐。因素,如薄壁组织的异质性,回声,维度,利润率和位置可以被认为是在确定是否活组织检查。3,4
结节,符合FNA随后由贝塞斯达系统分级报告甲状腺细胞病理学。5贝塞斯达系统分配FNA标本1 6诊断类别,每个都有一个关联的risk-of-malignancy得分。5诊断的不确定性仍在使用系统因为贝塞斯达15%到30%的甲状腺结节分为贝塞斯达类别III或IV,表明一个不确定的细胞学结果。6手术切除将提供一个最终的诊断;然而,不到三分之一的这些不确定的恶性结节会,可能导致不必要的切除术。在一些机构、分子基因检测已经被用于与不确定的细胞学结构更好的分层风险的基础上高危基因突变的存在与否和确定适当的适合手术切除。7尽管分子检测提供了一种微创手术,两个选项是昂贵的和不完美的。8,9
本研究的主要目的是确定自动化机器学习通过甲状腺病变超声可以识别基因高风险甲状腺结节利用基因抽样标准为准绳。
这个回顾性诊断研究是由一个三级城市的学术中心。收到批准托马斯杰弗逊大学医院的机构审查委员会。知情同意放弃是因为研究风险最小,患者选择不参与将调整结果,并不是所有的参与者可以随时访问,这项研究并没有涉及面对面的互动。
我们回顾了所有病人的电子病历ultrasonography-guided FNA)的后续分子测试检查甲状腺结节从1月1日,2017年,到2018年8月1日。患者排除如果他们的医疗记录不可用或者超声诊断图像在6个月的FNA)是失踪。我们中的一个(A.L.),蒙蔽放射科医生拥有超过15年的经验在甲状腺超声,选择每个病变诊断的超声图像,导致683图像(图1)。
分子测试使用一个执行机构性的小组由23个基因突变和5基因重组分层FNA标本分为高风险和低风险组。这个23-gene面板作为统治的测试。样本包含1或多个高危突变(表1)是由分子分类的测试报告是高风险,而样品没有变异或突变被认为是低或未知的风险被分子测试报告分类为低风险。
总共134个病变121例患者符合标准,包括43基因高危病变和91基因低风险的病变。在这些134病变,683被蒙蔽选择放射科医生诊断超声图像。图像被蒙蔽非医疗个人然后剪裁(S.W.)删除少有特性。
自动化机器学习进行一个商业平台(AutoML视野;谷歌LLC)。这个平台生成自定义模型从分类的图像传输处理学习和神经结构优化的专有数据库。产品规格建议每100年和500年之间图像分类标签。图像处理提交后,大约80%的图像选择训练模型,约10%用于验证(选择适当和修改模型),和大约10%预留测试模型的准确性。
病变和病人数据编译用红帽子研究电子数据捕获,版本8.4(范德比尔特大学)。10图片数据编译与Excel(微软)。统计数据进行SPSS,版本25 (IBM SPSS)。患者多,损伤达到一定的标准,每一个结节均独立进行分析。统计分析与MedCalc窗户,版本15.0 (MedCalc软件)。未配对,2-tailedt测试是用来计算P值。双面的P<。05年显示统计学意义。
134年电子医疗记录和超声损伤在综述了121名患者的研究。单变量分析研究人口的详细表2。所有参与者(SD)的平均年龄是55.7(14.2)年,和102年(84.3%)是女性。结节包括在这项研究(n = 118)低偏好向杆(46[39.0%])和中杆(37[31.4%]),统计学意义(χ2= 50.48;P<措施)。结节,由上部叶(19[16.1%]),整个叶(9[7.6%]),或地峡(7[5.9%])不太频繁。16个结节被排除在这些计算成像中指定的因为他们的位置没有报告或其他临床记录。51例(42.9%)接受全甲状腺切除术或叶切除术,其中24有恶性病理结果详细表3。
另外,结节有意味着(SD)的最大尺寸2.65(1.5)厘米。没有观察到不同的意思(SD)大小结节之间基因高风险结节和基因低风险结节(n = 43;2.6(1.4)厘米vs n = 91;2.68(1.5)厘米;P= .76)。大部分结节没有突变(75[56.0%]),但一个高风险的变异存在于一些结节(43[32.1%]),和一个未知的存在或低风险突变是最不可能(16 (11.9%);χ2= 39.060;P<措施)。
美国甲状腺协会(ATA)风险评分(基于超声表现,我们分配给一个分数范围的1到5,1是良性和5是高怀疑)用于121结节(90.3%)。这些结节,50(41.3%)被认为是低水平的怀疑(3)ATA风险评分,而27结节(22.3%)被认为是中间(ATA的风险评分4)和30结节(24.8%)高(5)的ATA风险评分水平的怀疑(表2)。
683年诊断超声图像的选择,228(33.4%)的图像基因高风险结节(n = 43结节)和455年(66.6%)基因低风险的结节(n = 91结节)。高危基因突变中确定病理确诊恶性结节包括在内PTEN(1)结节;基因库GeneID 5728),BRAF(9结节;基因库GeneID 673),国家管制当局方面(4结节;基因库GeneID 4893),叔(3结节;基因库GeneID 7015),IDH1(1)结节;基因库GeneID 3417)和极品(1)结节;基因库GeneID 3265)。随后的机器学习所使用的工作流AutoML愿景是证明图2。提交的683张图片,556(81.4%)被用于训练,74(10.8%)被用于验证和53个(7.8%)被用于最后的测试。
模型分类遗传风险比较高或低分子测试分类的风险。中描述的性能模型表4。model-classified结节在测试集(53图像)显示低灵敏度为45.0%(95%可信区间,23.1% -68.5%)。然而,特异性更高为97.0%(95%可信区间,84.2% -99.9%)。,阳性预测值(PPV)的模型为90.0%(95%可信区间,55.2% -98.5%)和阴性预测值(NPV)为74.4%(95%可信区间,66.1% -81.3%)。整个模型精度为77.4%(95%可信区间,63.8% -97.7%)。
贝塞斯达的管理类别III和IV甲状腺结节仍然是一个挑战。目标是最大化切除的恶性结节和最小化切除良性结节。危险分层代课等分子测试可以帮助缓解管理困境。机器学习算法分析可用超声数据可能会提供一个具有成本效益和快速即时内分泌外科医生的医疗设备。
超声被建议作为一种工具来帮助风险分层细胞学上不确定的结节,和各种建议评级系统考虑超声标记等组成,内部回声、维度和利润率。3研究表明,超声,增加规模实际上是负相关的恶性肿瘤的风险。4,11虽然结节可以分配给风险分类的基础上他们的超声发现的证据表明,这些分类不是临床管理的重大不确定的结节。12- - - - - -14
商用分子测试已经证明是有价值的评估不确定甲状腺结节。测试ThyroSeq v2 (UPMC和CBLPath)使用下一代测序发现13个基因点突变和42个基因融合与甲状腺癌。ThyroSeq v2表现良好在预测良性或恶性结节的组织学结构,灵敏度为90%,特异性为93%,83%的PPV, NPV的96%,92%的准确性。15,16Afirma GSC (Veracyte Inc .),这是营销作为排除测试和使用一个RNA基因组测序分类器来测试超过10 000个基因和额外的序列目标甲状旁腺病变,表现的敏感性为91%,特异性为68%,96%的NPV, PPV为47%。17,18这些商业产品的成功使得一些机构参考选择不定细胞学结果患者手术治疗的基础上,识别高风险的基因突变。18,19
我们执行构建的模型具有高特异性(97%)和PPV的裁决(90%)存在高风险的突变单独超声的基础上。有限数量的患者(n = 24)有病理证实恶性结节,和少量的恶性结节被归因于任何单一突变。因此,突变特异超声预测无法评估,这使得这些努力将来的一个重要研究方向。虽然灵敏度为45%,该模型显示承诺在检测病人的一个子集为谁直接进行手术治疗可能是有利的,无需额外的细胞遗传学分析,从而减轻成本以及不必要的侵入性程序。具体来说,尽管分子测试可在先进的机构,ATA建议谨慎采用。19临床上下文考虑生长动力学、超声特性,与核医学应该检查。模型开发的自动化机器学习可以提供额外的数据点协助临床医生的决策。
在这项研究中,自动化机器学习进行AutoML愿景。这个软件是专用的,但是商业平台使用建筑的组合搜索和学习转移到优化卷积神经网络分类器的发展。20.机器学习的恶性肿瘤风险的预测甲状腺结节被描述在文献中。21,22成功被描述的变量,以及担心表现不佳(与有经验的放射科医生的性能)和方法学标准化或验证分类结节恶性或良性的。21,22相反,我们专注于预测基因状态的超声图像,提供额外的诊断轴,恶性肿瘤的风险。
这项研究有一些局限性。首先,没有解剖分割使用。整个病变的超声图像进行了分析。虽然图像裁剪排除功能,少有邻近病变或结构(如颈内和颈动脉血管或气管)在一些病人可视化。在这个时候,因为hyperparameter优化内部完全执行,确定是否过度拟合不相关的图像特征是没有可能发生。然而,hyperparameter优化还提供了将局部区域的优势可能分层损伤的变化。此外,突变与未知的意义,包括低风险组,可能是前瞻性地确定授予高风险状态。其次,本研究进行了回顾性的方式,因此依赖于电子健康记录的真实性,和超声机和运营商没有控制。第三,考虑到多个图像提取从单个结节的超声和每个图像被当作一个独立的结节,学习者可能存在的偏见是可能的如果same-nodule图片训练集和测试集。然而,从单个结节生成多个图像所有不同的成像平面和总体方向。 After cropping, the relative independence of these images was confirmed by an experienced radiologist, who was unable to correctly match images to corresponding images from the same nodule. We believe this limitation will be overcome in the future by expanding the image library, at which point multi-image extraction will be unnecessary.
最终,自动化机器学习显示承诺仅在基于超声的发展模型来预测损伤可能存在高风险的基因突变在甲状腺结节。未来的研究可能会专注于模型优化和性能验证,包括特征提取确认只有解剖相关的使用功能,增加损伤特异性解剖分割,前瞻性验证。扩展数据集与额外的标准化成像可以进一步改善模型的迭代。
计算机辅助诊断系统在研究和早期临床应用越来越普遍。具体来说,机器学习应用超声甲状腺结节的遗传风险分层看起来是可行的。未来的研究增加样本容量,提高数据标准化以预期的方式,确定解剖相关段的自动决策模型的发展和成熟是必要的。模型我们开发了高特异性分子检测识别高风险突变的结节。这个初步的研究显示了诊断的应用机器学习承诺的解释不确定甲状腺结节的超声成像。
发表:2019年8月27日。
通讯作者:医学博士约翰·艾森布雷托马斯杰弗逊大学放射学系132年美国十圣,767套房,主要建筑,费城,宾夕法尼亚州19107 (john.eisenbrey@jefferson.edu)
网上发表:2019年10月24日。doi:10.1001 / jamaoto.2019.3073
作者的贡献:艾森布雷博士已经完全访问所有数据的研究,负责数据的完整性和数据分析的准确性。
概念和设计:丹尼尔斯,Gummadi、朱、Lyshchik,咖喱,Cottrill,艾森布雷。
数据的采集、分析或解释:丹尼尔斯,Gummadi、朱、王Patel Swendseid, Cottrill,艾森布雷。
起草的手稿:Daniels Gummadi、朱、王、咖喱、艾森布雷。
关键的修订手稿的重要知识内容:Patel Gummadi, Wang Swendseid Lyshchik, Cottrill,艾森布雷。
统计分析:丹尼尔斯,Gummadi、朱、王,艾森布雷。
获得资助:Lyshchik。
行政、技术或材料支持:丹尼尔斯,Gummadi Wang Patel,咖喱,Cottrill,艾森布雷。
监督:Gummadi、Swendseid Lyshchik、咖喱、Cottrill艾森布雷。
利益冲突的披露:Lyshchik博士报道接受赠款从通用电气医疗集团和个人费用,从Bracco诊断赠款,图书版税的爱思唯尔在提交工作。艾森布雷博士报道接受赠款和非金融支持通用电气医疗集团以及非金融支持西门子Healthineers和大炮医疗以外的提交工作。没有其他信息披露报告。
会议介绍:这项研究的结果提出了在2019年美国头颈学会年会在合并后的耳鼻咽喉科春季会议;2019年5月1日;奥斯汀,德克萨斯州。