近日，南方医科大学南方医院、金凤实验室丁彦青教授团队，陆军军医大学西南医院、金凤实验室卞修武院士团队与新加坡科技局（A*STAR）余维淼教授团队合作在国际期刊Advanced Science上发表了题为“Cytological Classification Diagnosis for Thyroid Nodules via Multimodal Model Deep Learning”的研究性论文，成功开发出一种新型人工智能模型——AI-TFNA，该模型有望显著提升甲状腺结节的诊断精准度与临床管理效率。

甲状腺结节是一种常见的内分泌系统疾病，影响全球超过60%的普通人群，在女性中尤为高发。大多数甲状腺结节为无症状的良性病变，但有5%至17%的病例最终被证实为恶性。根据世界卫生组织国际癌症研究机构发布的2022年数据，甲状腺癌已位列全球第七大常见恶性肿瘤，且其发病率正呈现快速上升趋势。这一增长主要归因于两方面因素：一是环境污染和长期电离辐射暴露导致的甲状腺癌实际发病增加；二是由于诊断工具的灵敏度和检测技术的进步，使得更多病例得以被发现。值得注意的是，在甲状腺癌发病率迅速攀升的同时，其死亡率却维持在较低水平，这一差异部分源于临床上对甲状腺结节可能存在的误诊及过度治疗现象。

研究团队成功开发了AI-TFNA模型，该模型创新性地融合了深度学习与机器学习技术，并严格遵循国际通用的甲状腺细胞病理学Bethesda报告系统（TBSRTC）标准，可为甲状腺结节细胞学诊断提供客观、可重复的AI辅助工具，有助于减少主观差异，降低误诊和过度治疗风险。

亮点一：多样化的数据收集，以实现稳健模型的开发与验证

该研究共收集了20803份来自中国不同地区的7个医疗中心的甲状腺液基细胞学样本用于模型的训练、验证及测试。考虑到现实环境中遇到的可变性并确保模型的泛化能力，每个医疗机构都实施了不同的玻片制备和染色技术，并使用不同型号的扫描仪形成全视野数字切片图像（WSI）。

图1 数据准备与标注。

亮点二：AI-TFNA提高病理医师的诊断准确率及效率

在AI-TFNA的辅助诊断实验中，初级细胞病理学家的诊断准确率提升了7.83%，诊断效率提高了约1.93倍；高级细胞病理学家的平均准确率提高了2.68%，效率提高了约2.04倍。

亮点三：全面的内部和外部验证证实了AI-TFNA在不同临床环境中的诊断准确性和可靠性

1．模型性能的评估：108517张内部机构的WSI和2153张外部机构的WSI用于测试AI-TFNA在不同的玻片制备方法（BD SurePath、ThinPrep）、染色技术（巴氏染色、HE染色）以及不同的扫描方式（扫描设备：滨松、徕卡、生强、江丰、优纳；扫描倍数：20、40）各临床场景中的性能，结果显示AI-TFNA具有较强的泛化性。

2．多模态融合模型的评估：将BRAF突变预测模型与诊断模型相结合，可修正错误分类。

图2 AI-TFNA的诊断性能及临床试验。

亮点四：通过图像外观迁移进一步提升模型的泛化能力

该研究采用了图像外观迁移（IAM）方法在多中心数据集上进行验证，灵敏度提升1.90%，特异性提升8.12%，这表明即便在不同机构间存在差异的情况下，AI-TFNA也具备实现稳定性能和普遍适用性的潜力。

AI-TFNA 严格按照TBSRTC的诊断标准设计，从细胞标注阶段到最终决策环节，均采用了人工智能技术，整合了细胞数量、细胞核/膜形态、纹理等相关特征，以提高准确性和临床适用性。其中VAN-tiny 模型组件能够有效应对复杂的临床情况，能够准确区分甲状腺滤泡上皮细胞的良性与恶性，并能精确区分滤泡上皮细胞与巨噬细胞。由此可见，AI-TFNA 在提升甲状腺结节临床诊断的准确率与效率方面具有重要价值，同时有望缓解中国当前面临的医疗资源分布不均及病理医生严重短缺的现实问题。

《Advanced Science》是Wiley出版社旗下的知名开源期刊（影响因子14.1，JCR Q1区），致力于发表材料科学、物理学、化学、医学、生命科学及工程领域具有顶尖水平的基础和应用研究成果，具有较高的国际学术影响力。

点击左下方阅读原文，访问原文链接。

http://doi.org/10.1002/advs.202511369