人工智能图像算法在甲状腺细针穿刺细胞学中的应用前景OA

甲状腺癌发病率近年来持续攀升,细针穿刺细胞学(FNAC)是目前术前诊断的金标准。传统人工判读存在效率低、主观性强、增加病理医生负担等局限,近年来深度学习技术的快速发展为突破这些瓶颈提供了新的路径。本文系统综述了人工智能(AI)图像分析在甲状腺FNAC中的应用现状与前景,重点介绍了U-Net、Transformer等主流模型的技术原理,梳理了PTC Dataset等公开数据集的支撑作用,并总结了国内外研究团队在细胞分类、良恶性鉴别及辅助诊断方面的进展和成果。现有研究表明,AI模型对区分良性细胞与TBSRTC V+(包括可疑甲状腺乳头状癌和恶性)的识别准确率可达96%以上,部分研究显示其诊断效能与老资历病理医生相当,且能显著提升初级医生的诊断一致性。然而当前研究仍面临模型轻量化部署、多中心泛化能力及法律责任界定模糊等挑战。随着模型优化与相关法规体系的完善,AI有望成为甲状腺FNAC诊断中不可或缺的辅助工具,但完全取代人类医师仍需审慎探索。