·術后檢測？穿刺活檢？在手術前，甲狀腺結節的良性惡性難分辨。西湖大學教授郭天南團隊將高通量蛋白質組學與Al技術結合，診斷準確率提高到85%以上。

9月6日，西湖大學郭天南研究員團隊、李子青教授團隊及臨床合作者在學術期刊《細胞發現》（Cell Discovery）雜志上發表論文“Artificial intelligence defines protein-based classification of thyroid nodules”，利用人工智能結合蛋白質表達檢測，精準診斷甲狀腺的良惡性，從而幫助醫生判斷結節是否需要切除。

近年來，甲狀腺結節的患病率持續高升，普通人群中的甲狀腺結節患病率高達50%，即每2個成年人中就有1個人可能患有甲狀腺結節。

數據顯示，其中大概只有10%是惡性的。也就是說，大部分良性甲狀腺結節患者原本可以選擇保守治療而不是切除。

在臨床評估中，通常采用細針穿刺活檢方式，獲取結節的組織樣本來進行細胞病理診斷。即便如此，仍然有多達1/3的甲狀腺結節無法準確分類。

郭天南團隊最新發表的論文，圖片截自Cell Discovery

在郭天南等人發表的最新研究中，科研人員使用壓力循環技術，可以實現在微量組織樣本上進行蛋白質組學分析。

研究人員基于1724例石蠟包埋（FFPE）的甲狀腺組織，尋找到19個蛋白質生物標志物，并建立模型——一個神經網絡模型。實驗結果表明，該模型在對甲狀腺結節良惡性的判斷準確率超過91%。

為了驗證該模型的性能，研究人員對來自中國的288個樣本進行測試，其診斷結果的準確率為89%。從新加坡、中國的12個臨床中心收集到的另外294份樣本顯示，驗證結果準確率為85%。

在甲狀腺結節分子診斷中，基于核酸（DNA與RNA）的輔助診斷方法已是一項較為成熟的技術。但RNA易降解，給檢測帶來了挑戰。

同時，用于不確定性結節良惡性判別的突變目前仍存爭議，因此限制了其應用。

相比之下，從蛋白質分子層面進行分析就會可靠得多。當發生病變時，病變部位的狀態可以直接地從蛋白質分子層面顯示出來。

但由于蛋白質組的數據十分繁雜，研究人員的工作量會變得十分龐大，AI的加入恰好解決了這一問題，它的計算速度和準確性使得研究人員分析蛋白質組數據的過程變得輕松很多。

郭天南教授也認為，如果可以將大健康與AI結合起來，不管從學術角度、從生物學原理的必要性角度，還是從市場、社會的需求來說，都將是時代的大趨勢。

參考資料

1. Artificial inteligence defines protein-based classification of thyroid nodules.Cell.

2. 郭天南｜人工智能+蛋白質組學：藥物研發的生物學底層變革.智藥邦.

https://mp.weixin.qq.com/s/HO3BCZix8vhhf1ZENv2Ndg

3. Proteomic and Metabolomic Characterization of COVID-19 Patient Sera.Cell.

https://www.cell.com/cell/fulltext/S0092-8674(20)30627-9

4. Multi-organ Proteomic Landscape of COVID-19 Autopsies.Cell.

https://www.cell.com/cell/fulltext/S0092-8674(21)00004-0