面对癌症，人类最好的武器是什么？近年来，甲状腺疾病特别是甲状腺癌发病率迅猛攀升。在40岁以上成人甲状腺B超检查中，大约有50%的人会有各种各样的结节样病变，甚至是甲状腺癌。甲状腺结节是指在甲状腺内的肿块，可随吞咽动作随甲状腺而上下移动，是临床上较为常见的病症，由多种病因引起，在一般人群中很常见，患病率高达67%。不过大多数甲状腺结节不具有癌性，它的发生也没有任何症状。对于不具有明显症状显示的甲状腺结节还没有许多明确的指导方针，来规范指导人们如何处理不确定的癌症风险的结节。悉尼·金梅尔癌症中心（Sidney Kimmel Cancer Center at Jefferson）与杰弗逊健康（Jefferson Health）联合进行了“超声成像方法结合谷歌人工智能平台的机器学习算法，是否可以作为甲状腺结节遗传风险预测的第一筛查方法”的研究。这项研究也在10月24日发表在《美国医学会杂志》子刊耳鼻咽喉-头颈外科（JAMA Otolaryngology Head & Neck Surgery）上。
对于甲状腺结节的检查目前主要依靠超声，相较于CT和核磁，超声的好处是便宜、灵活、实时、无副作用，所以它是普通老百姓喜闻乐见的一种检测手段；但它的缺点是图像不清楚、造影比较大，这对医生的要求就比较高。来自托马斯杰弗逊大学（Thomas Jefferson University）的耳鼻喉科医生Elizabeth Cottril博士表示：“针对目前临床上现有的甲状腺结节检查的技术，超声波可以显示结节是否可疑，然后医生决定是否为患者进行穿刺活检从而进一步诊断。但即使进行活检，细针活检在整个诊疗过程中只是承担了‘切入口’的角色，并不能详细告诉医生患者的整体病情，这也就是说，一些活检结果还是无法确定甲状腺肿瘤是否为恶性、如何癌变。”若是穿刺活检的细胞“好”“坏”还是无法定性，则可以通过分子诊断进一步检测细胞样本从而确定有恶性肿瘤的风险，这些样本细胞测试可以找出与甲状腺癌相关的某些突变基因或分子标志物。这样，一旦检测出高风险标记物或突变细胞时，患者可尽快通过手术的治疗方案切除甲状腺。这样的诊断过程看起来十分合理，但是针对何时可以使用分子诊断的标准仍在制定中，并且目前的医疗资源分布情况并不是所有的临床环境都可以提供这种检测。从分子诊断的实操性来看还是存在一定局限性。如此情况下，托马斯杰弗逊大学的研究人员寻求人工智能方法的帮助，他们将机器学习算法应用于患者甲状腺结节的超声图像，以查看它是否可以识别出超声图像中不同的模式。为提高一线诊断的预测能力，研究人员借助谷歌人工智能平台的机器学习模型，此前该算法其他领域使用谷歌的AI已取得不错的成绩。例如，零售业使用该模型来对其产品进行分类，使消费者第一时间找到他们最感兴趣的产品；迪士尼公司用该AI模型根据旗下不同人物角色或电影来为其周边产品进行注释。
▲ 甲状腺结节的超声图像（图片来源：Elizabeth Cottril from Thomas Jefferson University）