9月6日，西湖大学郭天南和李子青团队联合新加坡国立癌症中心研究人员在Cell Discovery 发表了一篇题“Artificial intelligence defines protein-based classification of thyroid nodules”的研究论文。该团队开发了一种人工智能定义的蛋白质生物标志物组别用于诊断甲状腺结节分类。

研究背景

先进的影像技术和自由的筛查实践已经在一般人群中发现了高达50%的甲状腺结节，但只有一小部分(7%-15%)最终被组织学证明是恶性的，而其中与临床相关的比例更小。除了临床评估和超声检查之外，细针穿刺(FNA)后进行细胞病理学检查被认为是区分良性和恶性甲状腺肿瘤的最可靠的术前技术。然而，多达三分之一的甲状腺结节被FNA细胞病理检查认为是无法确定性质的，手术仍然是准确诊断的唯一选择。

大多数甲状腺手术是排除甲状腺癌的诊断程序，其中小于25%能够达到治疗目的。部分或全部切除甲状腺的患者经常需要日常和终生的甲状腺替代治疗和医疗监测。而只有10%的切除的腺体被证明是恶性的，因此目前的临床方法导致大量过度治疗，为可以保守治疗的患者带来了不必要的手术风险。

直到现在，基于蛋白质组学的分析局限于样本活性。用传统方法对来自临床队列的数百个活检组织样本进行蛋白质分型仍然是无法实现的。研究团队开发了一种压力循环技术(PCT)协议，用于组织活检样品的蛋白质组学分析，可以对少量的新鲜冷冻组织样品进行分析。

研究概略

研究人员应用PCT-DIA分析了1133名患者的总共1161个结节.这些样本包括：新加坡总医院的FFPE样本、中国和新加坡12家医院的FFPE样本的回顾性测试集，与发现样本集具有相同的组织病理学评估和分类以及FNA活检的前瞻性测试集。为分析DIA数据，研究人员构建了一个来自FFPE组织的甲状腺特异性光谱库。

全甲状腺蛋白组分析

为了推导出区分良性和恶性甲状腺结节的蛋白质特征，研究人员在579个样本的发现数据集的基础上开发了一个特征选择过程和一个神经网络分类器。通过网络分析发现，四种蛋白质(HGS，MTPN，RPL24和CORO7)与已知的甲状腺癌相关蛋白质直接或间接相关。

研究总结

总之，研究团队提出了首个基于蛋白质的甲状腺结节神经网络分类器。该研究对1161个甲状腺结节进行了大规模的蛋白质组分析，并结合神经网络模型，首次证明了基于蛋白质的疾病分类器的力量，有可能快速转化为临床实践，补充传统的细胞病理学。

人工智能使甲状腺结节评估的图像处理领域取得了重大进展。将生物标志物蛋白组合与基于图像的评估和基因型数据相结合，可以改进和加强不确定甲状腺结节的诊断评估，以降低过度治疗的成本和发病率。