Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

每年都有数百万儿童因为颈部肿胀而就医。这些肿块通常是无害的淋巴结，即作为人体免疫系统一部分的小腺体，它们通过肿胀来对抗普通感冒或病毒感染。然而，在极少数关键病例中，同样的肿胀淋巴结可能是白血病或淋巴瘤等严重血液癌症的首个征兆。区分单纯的病毒反应与癌症迹象是儿科医学中最困难的挑战之一。超声波是一种安全且使用声波而非辐射的影像工具，是医生观察这些淋巴结内部情况的第一步。它可以显示淋巴结的形状以及血液在其中的流动情况，但视觉线索往往存在重叠。一个看起来可疑的淋巴结可能只是正在对抗病毒，而一个看起来平静的淋巴结可能隐藏着恶性肿瘤。几十年来，医生一直依赖经验和特征清单来进行判断，但良性和危险之间的界限往往是模糊的。

中国苏州市第一医院（注：原文为“Children's Hospital of Soochow University”，此处依原文意译为苏州大学附属儿童医院）的研究团队致力于研究计算机是否能学习在人类肉眼犹豫的地方识别差异。他们并没有要求计算机查看血液检查或患者病史；相反，他们只给了它超声图像本身以及肿胀淋巴结的轮廓。目标是构建一个数字助手，能够观察常规扫描并告诉医生，这种肿胀很可能是无害的反应，还是需要立即关注的血液癌症。这种方法基于这样一个理念：超声图像的原始像素包含微妙的模式——纹理、阴影和边缘细节——这些是人眼可能会忽略但机器可以学习识别的内容。

为了教导这台计算机，研究人员从他们的医院档案中收集了大量的超声图像。他们从六百多张儿童肿胀颈部淋巴结的图像开始。每张图像都由三位经验丰富的超声科医生仔细标记，他们各自独立地绘制出淋巴结的精确轮廓，且彼此并不知道最终的诊断结果。当医生们对形状产生分歧时，他们会进行讨论并达成一致，确定一个单一且完美的轮廓。这一过程确保了计算机学习到的是最准确的组织图谱。研究人员随后对数据进行了分组，使同一个孩子的多个淋巴结视图保持在一起，以防止计算机仅仅是重复记忆同一张图片。他们将数据分为五组，用其中四组训练计算机，并在第五组上进行测试，通过循环往复，确保每张图像都经过了测试。这种严谨的方法确保了结果并非来自数据随机划分带来的运气。

他们构建的计算机模型基于一种被称为 EfficientNet 的复杂架构，该架构已在数百万张通用图像上进行了预训练，用于识别形状和模式。研究人员调整了这一模型，使其能够接受超声图像和医生绘制的轮廓作为输入。他们向模型输入了数千个示例，让它学习白血病或淋巴瘤引起的淋巴结与由流行性传染病（如爱泼斯坦-巴尔病毒）或一般性炎症引起的淋巴结之间的视觉差异。计算机不仅仅是在猜测；它学会了权衡视觉证据，通过调整其内部设置，直到能够稳定地将两组进行区分。

当研究人员在从未见过的测试数据上测试最终模型时，它表现出了极高的准确度。该系统在约 86% 的病例中正确区分了良性和恶性淋巴结，这是一个被称为曲线下面积（AUC）的性能指标。在选择了一个平衡“捕捉所有癌症需求”与“避免误报需求”的特定设置下，模型的正确率约为 78%。它正确识别了近 77% 的实际癌症病例，这意味着它只漏掉了极小比例的危险淋巴结，同时它也正确识别了约 80% 的无害病例。这种性能水平表明，仅凭超声图像本身（无需任何其他医疗信息），机器就足以做出可靠的区分。

研究还观察了模型处理不同类型癌症的表现。研究发现，计算机在识别淋巴瘤方面表现略好。从图像上看这很合理：淋巴瘤引起的淋巴结通常具有非常鲜明的圆形形状和暗中心，特征明显；而受白血病影响的淋巴结看起来可能更像是病毒感染引起的那种杂乱、不规则的肿胀，因此更难区分。尽管存在这种难度，模型仍然能够比随机概率更好地将白血病病例与良性病例区分开来，在所有特定对比中的性能得分始终高于 83%。

研究人员谨慎地指出，这个工具并不是医生的替代品。它本身并不进行癌症诊断，也不取代在怀疑癌症时进行活检或血液检查的必要性。相反，它充当了“第二双眼睛”的角色，针对图像本身提供客观意见。计算机的置信度经过了校准，因此当它给出高分时，该淋巴结确实很有可能是恶性的。这可以帮助放射科医生决定孩子是否需要紧急进一步检查，或者是否可以安全地观察肿胀情况。由于这项研究是在单一医院进行的，且轮廓是由专家手工绘制的，这意味着下一步是观察该模型在不同医院的图像上是否同样有效，以及它是否能配合自动生成的轮廓进行工作。

最终，这项工作证明了超声波的视觉语言蕴含着可以被现代人工智能解码的秘密。通过专注于图像本身和淋巴结的形状，研究人员展示了计算机可以学习如何辨别一个孩子的身体是在对抗病毒，还是在对抗癌症。虽然该模型尚未准备好在每家诊所中使用，但其结果为未来的研究奠定了坚实的基础。这些结果表明，在不久的将来，计算机可以与儿科医生并肩作战，通过审查超声扫描并提供基于数据的观点，从而确保不会遗漏任何危险病例，也不会让任何孩子经历不必要的医疗程序。