AI赋能甲状腺结节良恶性诊断：19个生物标志物建模提升准确率

·术后检测？穿刺活检？在手术前，甲状腺结节的良性恶性难分辨。西湖大学教授郭天南团队将高通量蛋白质组学与Al技术结合，诊断准确率提高到85%以上。

9月6日，西湖大学郭天南研究员团队、李子青教授团队及临床合作者在学术期刊《细胞发现》（Cell Discovery）杂志上发表论文“Artificial intelligence defines protein-based classification of thyroid nodules”，利用人工智能结合蛋白质表达检测，精准诊断甲状腺的良恶性，从而帮助医生判断结节是否需要切除。

近年来，甲状腺结节的患病率持续高升，普通人群中的甲状腺结节患病率高达50%，即每2个成年人中就有1个人可能患有甲状腺结节。

数据显示，其中大概只有10%是恶性的。也就是说，大部分良性甲状腺结节患者原本可以选择保守治疗而不是切除。

在临床评估中，通常采用细针穿刺活检方式，获取结节的组织样本来进行细胞病理诊断。即便如此，仍然有多达1/3的甲状腺结节无法准确分类。

郭天南团队最新发表的论文，图片截自Cell Discovery

在郭天南等人发表的最新研究中，科研人员使用压力循环技术，可以实现在微量组织样本上进行蛋白质组学分析。

研究人员基于1724例石蜡包埋（FFPE）的甲状腺组织，寻找到19个蛋白质生物标志物，并建立模型——一个神经网络模型。实验结果表明，该模型在对甲状腺结节良恶性的判断准确率超过91%。

为了验证该模型的性能，研究人员对来自中国的288个样本进行测试，其诊断结果的准确率为89%。从新加坡、中国的12个临床中心收集到的另外294份样本显示，验证结果准确率为85%。

在甲状腺结节分子诊断中，基于核酸（DNA与RNA）的辅助诊断方法已是一项较为成熟的技术。但RNA易降解，给检测带来了挑战。

同时，用于不确定性结节良恶性判别的突变目前仍存争议，因此限制了其应用。

相比之下，从蛋白质分子层面进行分析就会可靠得多。当发生病变时，病变部位的状态可以直接地从蛋白质分子层面显示出来。

但由于蛋白质组的数据十分繁杂，研究人员的工作量会变得十分庞大，AI的加入恰好解决了这一问题，它的计算速度和准确性使得研究人员分析蛋白质组数据的过程变得轻松很多。

郭天南教授也认为，如果可以将大健康与AI结合起来，不管从学术角度、从生物学原理的必要性角度，还是从市场、社会的需求来说，都将是时代的大趋势。

参考资料

1. Artificial inteligence defines protein-based classification of thyroid nodules.Cell.

2. 郭天南｜人工智能+蛋白质组学：药物研发的生物学底层变革.智药邦.

https://mp.weixin.qq.com/s/HO3BCZix8vhhf1ZENv2Ndg

3. Proteomic and Metabolomic Characterization of COVID-19 Patient Sera.Cell.

https://www.cell.com/cell/fulltext/S0092-8674(20)30627-9

4. Multi-organ Proteomic Landscape of COVID-19 Autopsies.Cell.

https://www.cell.com/cell/fulltext/S0092-8674(21)00004-0