[论文解读] AI in Thyroid Cancer Diagnosis: Techniques, Trends, and Future Directions

Yassine Habchi, Yassine Himeur+6 more|arXiv (Cornell University)|Aug 25, 2023

Thyroid Cancer Diagnosis and Treatment被引用 7

一句话总结

本文综述了人工智能技术——尤其是深度学习和机器学习——在甲状腺癌诊断中的应用，提出了一种基于算法类型、目的和计算平台的新型人工智能方法分类体系。文章识别出数据质量与模型可解释性等关键挑战，同时指出可解释人工智能（Explainable AI）和边缘计算等新兴趋势，有助于提升临床环境中的诊断准确性和隐私保护。

ABSTRACT

There has been a growing interest in creating intelligent diagnostic systems to assist medical professionals in analyzing and processing big data for the treatment of incurable diseases. One of the key challenges in this field is detecting thyroid cancer, where advancements have been made using machine learning (ML) and big data analytics to evaluate thyroid cancer prognosis and determine a patient's risk of malignancy. This review paper summarizes a large collection of articles related to artificial intelligence (AI)-based techniques used in the diagnosis of thyroid cancer. Accordingly, a new classification was introduced to classify these techniques based on the AI algorithms used, the purpose of the framework, and the computing platforms used. Additionally, this study compares existing thyroid cancer datasets based on their features. The focus of this study is on how AI-based tools can support the diagnosis and treatment of thyroid cancer, through supervised, unsupervised, or hybrid techniques. It also highlights the progress made and the unresolved challenges in this field. Finally, the future trends and areas of focus in this field are discussed.

研究动机与目标

• 基于算法、应用目的和计算平台，系统性地回顾并分类基于人工智能的甲状腺癌诊断技术。
• 从特征、规模和临床相关性角度评估现有甲状腺癌数据集，以识别数据可用性方面的缺口。
• 分析监督学习、无监督学习和混合人工智能模型在检测甲状腺结节及分类恶性程度方面的性能与局限性。
• 识别尚未解决的挑战，如缺乏清洁、标准化的数据集以及临床部署中模型的可解释性问题。
• 探索未来研究方向，包括可解释人工智能（XAI）、联邦学习和边缘计算，以提升诊断准确性和患者隐私保护。

提出的方法

• 提出一种新的多维分类框架，用于甲状腺癌诊断中的人工智能技术，按人工智能算法类型（如CNN、SVM、XGBoost）、目的（如分类、分割）和计算平台（如云、边缘、雾）组织。
• 基于特征、样本量、影像模态和临床注释，回顾并比较15个以上的公开甲状腺癌数据集（如TCD、TCGA、SEER、WBCD）。
• 分析监督学习模型（如CNN、随机森林、SVM）和无监督方法（如聚类、自编码器）在结节分类和风险预测中的表现。
• 评估新兴人工智能范式，如迁移学习、联邦学习和可解释人工智能（XAI），以提升模型泛化能力和临床可信度。
• 整合结合传统机器学习与深度学习的混合方法（如CNN + XGBoost），以增强诊断准确性和鲁棒性。
• 讨论高级技术的作用，如全景分割、用于数据增强的生成对抗网络（GANs），以及用于自适应决策支持的强化学习。

Figure 1: (a) The different kinds of cancer and (b) Thyroid cancer detection methods.

实验结果

研究问题

• RQ1 不同人工智能算法（如CNN、SVM、XGBoost）在将甲状腺结节分类为良性或恶性方面的性能如何比较？
• RQ2 当前甲状腺癌数据集在数据质量、规模和特征多样性方面存在哪些主要局限性？
• RQ3 可解释人工智能（XAI）和联邦学习如何提升临床部署中模型的透明度和隐私保护？
• RQ4 混合人工智能模型（如CNN + 集成方法）在提升诊断准确性和鲁棒性方面发挥什么作用？
• RQ5 边缘计算和全景分割等新兴技术如何推动实时、精准且保护隐私的甲状腺癌诊断发展？

主要发现

• 深度学习模型，尤其是卷积神经网络（CNNs），在分类甲状腺结节方面相比传统机器学习方法展现出更优的准确性。
• 缺乏标准化、高质量且大规模的数据集，仍是训练稳健且可泛化的甲状腺癌诊断人工智能模型的主要瓶颈。
• 可解释人工智能（XAI）和联邦学习正成为提升模型可解释性和保护临床应用中患者数据隐私的关键推动因素。
• 结合CNN与集成技术（如XGBoost、随机森林）的混合模型通过融合特征提取与决策级融合，表现出更优的性能。
• 全景分割和基于3D的深度学习方法在实现精确的体积结节检测与表征方面具有潜力，但受限于3D标注数据集的稀缺性。
• 生成式人工智能模型（如GANs）可通过数据增强，尤其针对罕见的甲状腺癌亚型，提升模型泛化能力并减少过拟合。

Figure 2: Taxonomy of the thyroid cancer detection schemes based in AI.