使用深度學習與影像組學對甲狀腺超音波影像預測分析_基於多模態甲狀腺分化良惡性腫瘤

背景：
甲狀腺癌為台灣常見癌症之一，其中女性之發生率尤為顯著。在臨床診斷中，超音波(Ultrasound)為評估甲狀腺結節之第一線工具，具備非侵襲性、無輻射、操作便利等優勢。然而，傳統超音波診斷結果高度依賴操作者之經驗，易產生主觀判讀差異，進而影響對於結節良惡性之分類準確性。為改善此問題，本研究導入深度學習(Deep Learning)與影像組學(Radiomics)技術，並結合臨床資料(Clinical Data)進行機器學習(Machine Learning)建模，期望提升模型之分類效能與可解釋性(Interpretability)，以輔助臨床診斷並強化判讀一致性。
研究方法：
本研究採回溯性研究設計(Retrospective Design)，收集財團法人長庚紀念醫院2003年至2020年共893筆病歷資料(良性460筆、惡性433筆)，對應超音波影像共2,307張。影像經統一格式轉換與感興趣區域標註(Region of Interest, ROI)後，建立三種修改型預訓練學習深度模型(Pretrained Models)，分別為InceptionV3、ResNet50與VGG19，進行分類訓練與測試。另應用影像組學技術擷取符合影像生物標記標準化倡議(Image Biomarker Standardisation Initiative, IBSI)之特徵，並結合具統計顯著性之臨床變項(如年齡、性別、甲狀腺球蛋白)進行機器學習模型建構與比較分析。
結果：
結果顯示，結合臨床與影像特徵之多模態模型(Multimodal Model)可顯著提升分類準確性與解釋性。於深度學習模型中，以InceptionV3表現最佳，其於外部測試集之接收者操作特徵曲線下面積(Area Under the Curve, AUC)高達96.7%。在機器學習模型中，則以集成袋裝決策樹(Ensemble Bagged Trees)效能最優，AUC達89.27%。
結論：
整體研究結果顯示，融合深度學習、影像組學與臨床變項之多模態人工智慧架構，具備潛在之輔助診斷能力，未來可望作為臨床決策支援系統(Clinical Decision Support System, CDSS)之應用於實際醫療場域。