AI是机器通过不断学习、更新运算以真切地模拟人类反应的科学，其关键是深度学习。深度学习包括传统的人工神经网络（ANN）、支持向量机 （SVM）和k近邻法（k-NN）等。深度学习是学习样本数据的内在规律和表示层次，学习过程中获得的信息对图像数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习的能力，能够识别数据集^[4]。深度学习的代表算法之一是卷积神经网络（CNN），这是一类包含卷积计算且具有深度结构的前馈神经网络。

甲状腺癌的发生发展机制极其复杂，因此许多医师存在过度诊断的问题。有研究者将过度诊断定义为“部分通过筛查手段发现的早期癌症患者可能终生不会发展到出现临床症状的阶段”^[5]。Li等^[5]发现在高收入国家中存在DTC过度诊断的情况，其中韩国的过度诊断率高达93%，中国约为87%。因此只有使诊疗更加精准，才能有助于医师在正确的时间为患者提供正确的治疗方案。AI是一门包括训练集、测验集和验证集的新技术科学。AI诊断甲状腺结节的一般步骤包括：（1）模型对超声图像进行优化预处理，并从中选择ROI；（2）应用特征提取方法进行训练，对甲状腺结节进行分类；（3）给出结节是良性或恶性的诊断。随着AI算法的不断进步以及临床数据的积累，AI在甲状腺癌诊断中的应用越来越广泛。

超声检查是甲状腺结节首选的影像学检查方法，AI在甲状腺癌的超声诊断方面已经取得了重大进展。在一项研究中，研究人员收集并标记了2 450个良性甲状腺结节和2 557个恶性甲状腺结节，并将这些数据导入目标检测模型（YOLOv2）神经网络，建立一个自动图像识别和诊断系统，并选取351例经外科手术、组织病理学检查等手段确诊的甲状腺结节患者进行测试，结果表明AI系统对恶性甲状腺结节的诊断准确率与医师（90.5% 对 93.8%）相近，且其对良性甲状腺结节的诊断准确率（89.91% 对 77.98%）更高^[6]。Zhang等^[7]通过多模态超声检查图像诊断甲状腺良恶性结节所得到的AUC为0.938，而专业医师的AUC为0.843。Chi等^[8]对超声图像进行预处理以校准其比例并去除伪影，他们使用深度学习模型（GoogleNet）从甲状腺超声图像中提取甲状腺结节特征，结果显示，深度学习模型（GoogleNet）对数据库中164张图像的甲状腺结节良恶性的诊断准确率为96.34%、灵敏度为86%、特异度为99%。Li 等^[9]收集了40 000多例甲状腺结节患者，联合使用2个深度学习常用的模型ResNet（又称残差神经网络）和DarkNet（一种开源神经网络框架）对收集到的甲状腺结节进行良恶性区分得到的AUC均达到0.9以上。上述研究结果表明AI对甲状腺结节的诊断并不是简单的过度拟合，而是具备跨中心使用的可能。

AI模型可减少超声检查医师的工作负荷，可有效避免不必要的有创检查，且从传统超声特征和数字化结构方面为充分认识结节做出解释。Peng等^[10]开发了一种AI深度学习模型（ThyNet）用以区分甲状腺癌和良性甲状腺结节，结果表明以ThyNet模型辅助诊断所得到的特征AUC为0.922，显著高于放射科医师的0.839。此外，在模拟场景中，使用ThyNet辅助系统时，细针穿刺活检患者的比例从61.9%降至35.2%，漏诊的甲状腺癌病灶数量比例从18.9%降至17.0%。总体来说，与专业医师相比，ThyNet模型显示出更好的诊断特异度和准确率。目前已经上市的商用计算机辅助诊断 （CAD）系统，如韩国三星的S-Detect系统，可以对甲状腺病变进行半自动检测和分类，提取甲状腺结节的特征，如成分、回声、方向、边缘、海绵状外观和形状。Buda等^[11]将1 230例患者的1 377个甲状腺结节用于训练深度学习模型，最后筛选出99个结节进行测试，测试结果显示深度学习模型的AUC为0.87，放射科医师的AUC为0.82，二者水平相当。同样，Kim等^[12]筛选出106例甲状腺结节患者，用以比较商用计算机辅助诊断（CAD）系统（S-Detect1和S-Detect2）与放射科医师对甲状腺结节的诊断效能，结果表明前者的灵敏度比后者高，但特异度稍低。由此可见，AI模型或能辅助医师做出更合理的诊断。

超声检查中可疑的甲状腺结节通常通过细针穿刺活检（fine needle aspiration biopsy, FNAB）确诊。虽然FNAB的诊断非常准确，但其解释取决于细胞病理学诊断医师的专业知识，医师之间的差异会对诊断结果产生影响^[13]。AI可应用于FNAB，包括甲状腺癌的组织病理学分类和癌细胞的特征分析。

Guan等^[14]在苏木精-伊红染色的FNAB切片的数字图像上应用了一种称为视觉几何群网络（visual geometry group network, VGG）-16的深度卷积神经网络（DCNN），以区分甲状腺乳头状癌（papillary thyroid carcinoma, PTC）和良性甲状腺结节，其诊断准确率为95.00%、灵敏度为100%、特异度为94.91%，诊断效能优于传统的FNAB（准确率为89%~95%）^[15]。Sanyal等^[16]使用卷积神经网络（CNN）模型区分PTC和 非PTC患者，在不同放大倍数（×10和×40）下获取不同病灶细胞的形态特征进行PTC和 非PTC的分类，其诊断准确率为85.06%，但该模型主要的局限性是如果错误识别正常滤泡细胞可能导致假阳性的出现。滤泡腺瘤（FA）和滤泡癌（FC）的区别在于是否侵犯包膜或血管，但常规的 FNAB 难以区分。超过90.00%的甲状腺癌来源于滤泡上皮细胞，因此提高正常滤泡上皮细胞的识别能力是降低假阳性率的关键。

甲状腺穿刺病理分级（TBSRTC）报告系统中将FNAB的诊断分为 6级，其中Ⅲ、Ⅳ级不确定结节有14.00%~25.00%的可能发展为恶性甲状腺结节^[17]，临床上可选择手术治疗，但手术会给患者造成生理损伤和心理恐慌，因此尽可能减少不必要的甲状腺手术十分必要。Afirma基因组测序分类器（GSC）是一种基于机器学习的RNA测序分类器并已经临床验证，其可利用FNAB获得的全转录组RNA准确识别细胞病理学不能确定的良性结节^[18]。Patel等^[19]利用基因测序分类器（GSC）对191个细胞病理学不能确定良恶性的甲状腺结节进行鉴别，结果表明其诊断灵敏度为91%、特异度为68%，与其前身基因表达分类器（GEC）相比，特异度增加了36%，这可能会增加良性结节患者的数量，从而可以避免不必要的诊断性手术。Steward等^[20]采用多基因基因组分类器（ThyroSeq v3）对286例患者的甲状腺结节进行检测，其显示出较高的灵敏度（94%）和特异度（82%），高达61%的细胞病理学不能确定的甲状腺结节患者避免了诊断性手术。

组织病理学检查是肿瘤诊断的“金标准”，利用AI从组织病理学图像中预测癌变和肿瘤性质可以帮助医师更快地进行诊断。Fu等^[21]利用AI预测甲状腺组织病理学切片中是否存在BRAF基因突变，这种可用于预测的AI模型虽然不能用于诊断，但可能有助于肿瘤的风险分层。Wang等^[22]使用深度卷积神经网络（DCNN）模型中的Inception-ResNet-v2和VGG-19确定对不同组织病理学类型的甲状腺结节的诊断效能，结果表明后者的平均准确率（97.34%）高于前者（94.42%）。值得注意的是，VGG-19在所有组织病理学类型为恶性的甲状腺结节中均取得了良好的诊断效能，但其对正常组织和腺瘤的诊断准确率分别为88.33%和92.44%。由此可见，AI在通过组织病理学类型区分甲状腺正常组织和良性肿瘤方面仍有很大的进步空间。

PTC是甲状腺癌中最常见的类型，约占甲状腺癌的85%^[1]，由于PTC的预后通常良好，因此区分惰性肿瘤和侵袭性肿瘤，使患者避免不必要的手术非常重要。有研究结果表明，BRAF^V600E和RAS癌基因的突变状态与组织病理学类型有关。BRAF^V600E突变的甲状腺肿瘤具有典型的乳头状结构和高细胞性变异，而RAS癌基因突变的肿瘤具有滤泡性变异，具有滤泡性肿瘤典型的滤泡生长模式和结构^[23]。有研究者根据上述理论设计了一个卷积神经网络（CNN）模型（Google Inception v3）用于对PTC患者的组织病理学类型分类，结果表明，其对BRAF^V600E组和RAS组患者的预测准确率分别为90.9%和100%^[24]，这证明深度学习方法具有对不同突变引起的肿瘤进行组织病理学类型分类的潜力。AI算法作为验证工具，可以减少组织病理学诊断医师的工作量。然而，在实际应用中，由于缺少存储完整组织病理学切片图像的设备和条件，大多数医院并没有将每张组织病理学切片数字化。随着技术问题的解决，自动化算法在甲状腺结节组织病理学诊断中的应用可能会增加。

甲状腺癌淋巴结转移的诊断影响着患者的手术方式，而术前超声检查对转移性淋巴结的诊断灵敏度较低。因此，在评估患者病情时使用AI技术精准预测淋巴结的转移对选择合理的治疗方式、提高疗效、改善患者预后具有重要作用。

在一项研究中，研究者通过从MRI中提取影像组学高通量特征，成功构建影像组学模型预测甲状腺癌的侵袭性，其诊断效能明显优于临床特征（AUC： 0.92对0.56），基于MRI图像的AI能够在术前精准预测PTC的侵袭性，辅助医师评估患者的预后并调整临床治疗的策略^[25]。Wu等^[26]提出了一种深度多模态学习网络，他们将灰阶超声与彩色多普勒血流显像图像联合，从中提取甲状腺淋巴结转移的特征，测试两组不同的淋巴结转移患者病灶的验证集（灰阶超声图像和彩色多普勒血流显像图像），得到的ROC曲线的AUC分别为0.970和0.976，优于单独的灰阶超声和彩色多普勒血流显像，二者对于两组验证集（灰阶超声图像和彩色多普勒血流显像图像）的ROC曲线的AUC分别为0.74、0.72和0.60、0.72，基于多模态超声的影像组学能更加准确地预测PTC患者的淋巴结转移，对评估疗效、改善预后具有重要作用。Yu等^[27]用迁移学习的方法，先对深度学习模型进行预训练，再进一步学习淋巴结的超声检查图像，入组的2 000多个图像中有513个外部测试集，内部和外部测试集的AUC均超过0.90。此外，该研究还探讨了客观因素，如机器类型、操作者水平对模型的影响，结果表明机器类型和操作者因素对AI的影响甚微。这在一定程度上说明，AI能够减少超声检查图像非标准化的影响。

随着神经网络、深度学习算法等关键技术的突破和应用，越来越多的研究者投身于医学影像领域的AI研究中，AI在疾病的诊断与监测、疗效评价、健康管理等方面发挥重要作用^[28-29]。但目前的研究多数仍是单中心、小样本的回顾性研究，缺少代表性；甲状腺癌图像的采集、重建、分割、重组及特征的提取和量化缺乏统一的标准；训练集和测试集的难度、数据分布的相似程度也直接影响研究的效果；同时，由于影像组学技术以计算机为基础，需要医师与计算机工程师合作研究；这些仍将是未来必须解决的问题。如今，AI技术已逐渐应用于临床诊疗的实践中，结合现有的统计数据与临床知识充分认识甲状腺癌，量化疾病信息，更有效地进行疾病分析，将有助于临床医师根据患者的需要提供诊疗方案。

利益冲突　所有作者声明无利益冲突

作者贡献声明　陆奕行负责文献的查阅、综述的撰写；章斌负责综述的审阅