背景:人工智能（AI）在现代从人类生活至科学进步有着广泛的影响。本文我们讨论了AI在解决细胞病理学中十分常见的问题,即甲状腺细针穿刺活检（FNAB）的应用。近年来随着筛查手段（超声）的进步,甲状腺结节发病率逐年提高,甲状腺细针穿刺活检（FNAB）是当前最普及的术前诊断手段,由于甲状腺细胞的多样性及穿刺水平的不统一,通过现有的Bethesda分级系统在术前常常难以给出确切的诊断,患者常需要接受第二次的FNAB或是接受手术。由此导致临床医生的工作量随之增加,也增加了部分患者不必要的痛苦。使甲状腺FNAB成为人工智能解决方案的目标。本实验目的在于评估VGG-16深度卷积神经网络（DCNN）模型在甲状腺细针穿刺活检的可行性。方法:收集了自2017年至05月至2019年5月的甲状腺穿刺活检病理结果以及他们的BRAF基因检测报告,和在这一时间段内接受了甲状腺切除术后的病理诊断,将二者比对筛选后得到的病例对其进行甲状腺图片进行采集,紧接着使用VGG-16卷积神经网络对该样本数据进行训练,测验,之后我们将收集到的BRAF基因检测与上述进一步匹配,当人工智能输出结果与BRAF基因检测二者结果中有一者提示甲状腺乳头状癌时,我们即认为最终结果为阳性。结果:我们一共获得了460张甲状腺细胞涂片,在VGG-16经过训练集循环学习及验证后,投入测试集,表现为准确率为88.89%,阳性预测值为91.78%。该分类器灵敏度与特异度分别为92.41%及80.65%。联合诊断的准确率提升至91.79%。结论:我们通过VGG-16对甲状腺良性结节与甲状腺乳头状癌的细胞涂片进行了学习与检测,得到了较高的准确度,但神经网络的灵敏度在这样小的数据样本当中仍然有提升空间。我们认为因为样本量小、收取的样本的单一性,以及神经网络架构参数的磨合不足,导致该结果可能随着样本量的提升将会降低。但卷积神经网络在甲状腺细针穿刺方面还是展现了一定的诊断价值。且当我们将人工智能输出数据与其他甲状腺术前检查相结合后发现有可能可以进一步提高检出率。现阶段的人工智能可能在甲状腺疾病临床的临床诊疗中的能力还不足,但若结合人工智能影像学及分子检测等,有可能在不久能够代替人工在甲状腺诊断方面发挥作用。