摘要
背景:随着医疗技术的高速发展，甲状腺结节（Thyroidnodules，TNs）的检出率逐年增加，同时其过度诊疗的医疗现状也逐年严峻，TNs良恶性的早期准确诊断具有非比寻常的临床意义。 目的:本研究主要致力于通过二维超声（ultrasound,US）图像来构建影像组学评分（Radiomicscore，Rad-score），探讨Rad-score及TNs超声恶性危险分层中国指南（Chineseguildelinesforthyroidnodulesmalignantriskstratificationbyultrosound，C-TIRADS）联合诊断恶性TNs的价值。 方法:（1）本研究纳入2020年1月—2022年1月间湖北医药学院附属人民医院诊治甲状腺结节患者689例（847个结节）为训练组，同时纳入相同时期诊治甲状腺结节患者300例（403个结节）为验证组。 （2）训练组的二维US图像使用LabelMe软件进行分割，以确定感兴趣区（Theregionofinterest，ROI）。在这些ROI中，提取了超声图像的相关特征。采用最小绝对收缩和选择算法（LeastAbsoluteShrinkageandSelectionOperator，LASSO）选择能够预测结节良恶性的最具有区分性的特征。随后，使用10倍交叉验证构建了基于超声图像的影像组学模型，并计算了Rad-score值。利用验证组进行验证，并使用受试者工作特征曲线（receiveroperatorchaoacteristic，ROC）评估诊断性能。通过比较ROC曲线下面积（areaunderthereceiveroperatorcharacteristiccurve，AUC），来比较诊断准确性。 （3）采用多因素logistics回归分析Rad-score及C-TIRADS指南中的超声声像特征对训练组TNs性质的影响，并依据多因素logistics回归分析结果构建Rad-score联合C-TIRADS预测TNs性质的列线图模型，并于验证组中验证，列线图模型对恶性TNs的预测价值应用ROC曲线体现，采用校准曲线评估校准表现。 （4）以组织或细胞病理结果为金标准，计算并比较C-TIRADS模型、Rad-score模型及列线图模型诊断恶性TNs的AUC、准确率、特异度、灵敏度。 （5）统计C-TIRADS模型、Rad-score模型以及列线图模型所推荐进行细针穿刺（fine-needleaspiration,FNA）的结节数量，并计算其中病理证实为良性的结节占总体的比例，即不必要FNA率。然后，比较三种模型的不必要FNA率。 结果:（1）训练组847个结节，包括447个良性结节，400个恶性结节。验证组403个结节，其中126个良性结节，277个恶性结节。通过比较发现，两组患者的临床信息、超声图像特征及病理无组间显著性差异（P均＞0.05）。两组患者的年龄、结节大小、超声特征差异有统计学意义（P均＜0.001）。 （2）通过C-TIRADS分类，训练组结节中2类78个、3类92个、4A类54个、4B类81个、4C类163个、5类379个。验证组结节中2类34个、3类42个、4A类27个、4B类33个、4C类104个、5类163个。C-TIRADS模型诊断训练组AUC、诊断准确率、敏感度、特异度分别为0.813、81.1%、85.3%、77.4%；验证组准确率为86.6%，灵敏度为88.4%，特异度为82.5%，AUC为0.855。 （3）采用LASSO回归和10倍交叉验证获取10个优势特征，构建了Rad-score模型，该模型具有出色的诊断效能。在训练组中，AUC为0.906，诊断准确率为86.5%，敏感度为88.6%，特异度为84.7%；在验证组中，AUC为0.918，诊断准确率为92.1%，敏感度为92.8%，特异度为90.5%。 （4）Rad-score（OR＝3.247，95％CI：3.821-107.623，P=0.001）、内部成分（OR＝2.427，95％CI：1.906-8.271，P=0.017）、内部回声（OR＝1.946，95％CI：1.421-11.383，P=0.037）、纵横比（OR＝8.161，95％CI：2.941-31.156，P=0.004）、边缘（OR＝9.580，95％CI：5.845-37.390，P=0.001）、钙化（OR＝2.128，95％CI：1.817-8.962，P=0.024）是TNs的恶性影响因素；以上述影响因素构建的列线图模型具有良好的校准表现。训练组和验证组中，列线图模型诊断TNs的AUC、诊断准确率、敏感度、特异度分别为0.923和0.947、91.6%和95.0%、92.4%和95.7%、90.7%和93.7%。 （5）三种模型对比，列线图模型具有最佳的辨别能力，其AUC、准确率、灵敏度、特异度均高于Rad-score模型及C-TIRADS模型。 （6）与C-TIRADS模型及Rad-score模型相比，联合两者的列线图模型不必要FNA率最低。在训练组中，C-TIRADS模型的不必要FNA率为28.3%、Rad-score模型的不必要FNA率为11.8%、列线图模型的不必要FNA率为4.4%，验证组中C-TIRADS模型的不必要FNA率为22.6%、Rad-score模型的不必要FNA率为10.2%、列线图模型的不必要FNA率为3.5%，且差异具有统计学意义（P＜0.001）。 结论:C-TIRADS模型、Rad-score模型及联合列线图模型对TNs的诊断均有较好效能，其中联合列线图模型更直观、诊断效能最优，对恶性TNs预测具有高准确性，且能够降低不必要FNA率。
NETL