首页 > 论文范文 > 医药卫生论文 > 内科论文 > 甲状腺论文 > 超声影像组学对桥本甲状腺炎背景下甲状腺结节的诊断价值

超声影像组学对桥本甲状腺炎背景下甲状腺结节的诊断价值

2023-09-13 124 上传者：管理员

摘要：目的比较基于灰阶超声特征联合临床特征的不同机器学习模型鉴别桥本甲状腺炎(HT)背景下甲状腺结节良恶性的价值。方法回顾性分析567名患者的615个合并HT的甲状腺结节的灰阶超声图像，按照7∶3随机分为训练组和验证组，提取并筛选最优特征，使用4种机器学习算法构建模型。通过受试者工作特征(ROC)曲线评估各个模型的诊断效能。结果基于灰阶超声特征联合临床特征获得机器学习模型的曲线下面积(AUC),在训练组和验证组分别为0.940～0.958、0.896～0.940。在4种不同机器学习模型中，逻辑回归(LR)模型的表现能力较强，其鉴别结节良恶性的AUC、准确度、灵敏度、特异度在训练组和验证组中分别为0.958、89.86%、91.14%、88.53%及0.940、87.57%、94.74%、80.00%。结论基于灰阶超声特征联合临床特征构建的不同机器学习模型对HT背景下甲状腺结节良恶性的鉴别诊断效能更高，且以LR模型的表现能力相对较强。

关键词：
影像组学
桥本甲状腺炎
甲状腺乳头
甲状腺结节
超声医学
加入收藏

近年来甲状腺癌的发病率呈明显上升趋势[1],甲状腺乳头状癌(papillary thyroid carcinoma, PTC)占所有甲状腺癌的85%～90%[2]。桥本甲状腺炎(Hashimoto thyroiditis, HT)的发病率也逐年升高[3]。研究表明，HT背景易发生PTC[4]。在HT背景下的良性结节常表现为微分叶或不规则边缘，易误诊为恶性结节[5]。如何在HT背景下对良性结节快速、准确地检出是当前临床上亟待解决的难题。影像组学将医学图像信息转换为定量数据，通过提取高通量图像特征，开发并验证提高诊断及预后预测的模型，可用于辅助临床决策[6,7]。有关甲状腺腺体背景正常的结节诊断已有相关报道。本研究通过比较基于灰阶超声特征联合临床特征的不同机器学习模型，鉴别HT背景下甲状腺结节良恶性的诊断价值。

1、资料与方法

1.临床资料

回顾性收集2020年5月至2022年10月苏州大学附属第一医院行甲状腺超声检查的567名患者的615个甲状腺结节的临床及超声图像资料。本研究中使用C-TIRADS(2020甲状腺结节超声恶性危险分层中国指南)[8]对所有结节进行分级。所有恶性结节及部分良性结节均经手术病理结果证实，部分良性结节为C-TIRADS 2、3级且超声随访一年以上无明显变化。

(1)纳入标准

①甲状腺结节大小5～40 mm。②所有患者均接受甲状腺任何治疗及其他相关肿瘤治疗病史。③所有患者临床诊断均为HT,诊断标准[5]:a.甲状腺实质的声像图表现为不均匀的回声；b.血清TPOAb>5.61 IU/mL或TGAb>4.11 IU/mL;c.TRAb在正常范围内(0～1.75 IU/L)。

(2)排除标准

①结节内部结构及边界的识别有粗大的钙化声影影响；②超声图像标记位于结节内部或结节边缘；③较小(<5 mm)、较大(>40 mm)的结节；④未合并HT者。

2.图像采集

采用Philips EPIQ5超声诊断仪，线阵探头L12-5,探头频率为5～15 MHz。所有超声图像均由工作经验>3年的超声医师采集。选择每个结节最清晰的最大切面图，记录常规超声特征：肿瘤最大径、成分、回声、形态、边缘、微钙化。

3.影像组学特征分析

(1)超声图像分割

将选取的超声图像导入ITK-SNAP 3.6.0软件(http: //www.itksnap. org/)中，由高年资超声医师手动勾画感兴趣区域(region of interest, ROI)。

(2)影像组学特征提取

PyRadiomic2.2.0(http: //www.radiomics.io/pyradiomics. htm)是一个开源Python包，提供标准化算法用于提取超声影像组学特征。这些特征分为：一阶矩(first order)特征、形状(shape)特征及纹理特征(texture features),其中纹理特征包括灰度共生矩阵(gray level co-occurrence matrix, GLCM)、灰度依赖性矩阵(gray level dependence matrix, GLDM)、灰度级运行长度矩阵(gray level run-length matrix, GLRLM)、灰度区域大小矩阵(gray level size zone matrix, GLSZM)及邻域灰度差分矩阵(neighborhood gray tone difference matrix, NGTDM)。

(3)特征筛选与模型构建

首先，使用标准化程序将所有影像组学特征标准化为零均值和单位方差。其次，采用mRMR算法筛选和LASSO进行降维。通过具有内置交叉验证能力的估计器自动为LASSO选择最小化均方误差的最佳惩罚参数λ值。使用5 K-折交叉验证，训练并验证了4种机器学习算法模型，包括C-支持向量分类(CSVC)模型、随机森林(Random Forest, RF)模型、自适应增强(AdaBoost)模型和逻辑回归(Logistic Regression, LR)模型，在训练集上重复5次以获得最佳参数配置。

(4)模型的效能评估

使用受试者工作特征(receiver operating characteristic, ROC)曲线评估每个模型的辨别能力，并计算各模型ROC曲线下面积(area under the curve, AUC)、准确度、灵敏度、特异度、阳性预测值及阴性预测值。训练集和验证集中模型之间AUC的比较结果来自Delong检验。

4.统计学方法

所有统计分析均使用SPSS 26.0、Python 2.7软件进行。符合正态分布的连续数据用x¯±s表示，两组之间采用独立样本t检验。分类数据用频数(百分比，%)表示，组间比较采用χ2检验。LASSO、ROC曲线、CSVC、RF、AdaBoost和LR模型使用Scikit-learn软件包实现。P<0.05为差异具有统计学意义。

2、结果

1.临床资料分析

615个结节中包括314个恶性结节[男性35例，女性279例，平均年龄(40.22±11.03)岁]和301个良性结节[男性22例，女性279例，平均年龄(46.44±13.56)岁]。在临床特征中，训练组与验证组中恶性结节患者年龄均较良性结节患者的年龄小，差异有统计学意义(P<0.05)。在常规超声特征中，结节的成分、回声、边缘、形态、微钙化在两组中差异均有统计学意义(P<0.05),见表1。

2.影像组学特征

共提取1 595个特征，最终选择23个最优特征：包括1个临床特征(年龄)、1个超声图像特征(成分)以及21个影像组学特征(first order 6个、shape 1个、GLCM 2个、GLRLM 8个、GLSZM 3个、NGTDM 1个)。

3.影像组学模型鉴别价值

基于灰阶超声特征所得的机器学习模型CSVC、AdaBoost、LR及RF的AUC在训练组和验证组分别为0.927、0.920、0.931、0.911和0.866、0.812、0.853、0.746。基于灰阶超声特征联合临床特征所得的机器学习模型CSVC、AdaBoost、LR及RF的AUC在训练组和验证组分别为0.949、0.941、0.958、0.940和0.940、0.935、0.940、0.896。在4种不同的机器学习模型中，LR模型表现能力稍强，且基于灰阶超声特征联合临床特征所得LR模型的诊断效能高于单纯基于灰阶超声特征所得LR模型，其准确度、灵敏度、特异度、阳性预测值和阴性预测值在训练组和验证组中分别为89.86%、91.14%、88.53%、89.19%、90.59%及87.57%、94.74%、80.00%、83.33%、93.51%,见表2、表3、图1。

Delong检验对验证组基于超声特征联合临床特征所得LR模型与基于超声图像特征所得LR模型的AUC值进行比较，差异有统计学意义(P<0.05)。

表1训练组和验证组HT背景下甲状腺结节良恶性的临床和超声图像特征比较

表2基于灰阶超声特征的不同机器学习模型在训练组和验证组中的性能比较

表3基于灰阶超声特征联合临床特征的不同机器学习方法在训练组和验证组中的性能比较

3、讨论

HT是最常见的自身免疫性疾病之一，全球发病率为每年0.3/1 000～1.5/1 000,呈不断增长趋势。对HT背景下良性结节高效、准确的诊断有利于有效临床决策的实施。常规超声是甲状腺结节性质判断的首选检查方法，本研究结果显示，在灰阶超声图像特征中，结节的成分、回声、边缘、形态及微钙化在良恶性结节中差异均有统计学意义。这与既往研究结果[9,10]一致。虽然这些特征能帮助鉴别，但其准确度更多依赖于观察者的经验。

影像组学通过更标准化的流程可以获得许多肉眼无法观察到的声学特性，大幅度降低对检查者的依赖性，从而可以客观、无创地对甲状腺结节的良恶性进行判定，提升诊断的准确度。在本研究中，所提取的影像组学特征包括一阶特征、形态特征及纹理特征，其中纹理特征较多的为灰度共生矩阵(GLCM)、灰度级运行长度矩阵(GLRLM)及灰度区域大小矩阵(GLSZM),即通过描述图像灰度区域空间、长度及大小相关性来反映纹理信息。影像组学特征反映了肿瘤的纹理信息，与肿瘤的微观结构紧密相关，可以判断肿瘤异质性[11]。本研究显示，4种不同机器学习模型均表现出较好的性能，且以LR模型表现能力较强。基于灰阶超声特征联合临床特征的LR模型灵敏度和特异度相比于单纯基于灰阶超声特征、临床特征的LR模型都有提高，其灵敏度、特异度在训练组和验证组中分别为86.85% vs. 91.14%、85.02% vs. 88.53%及93.68% vs. 94.74%、65.56% vs. 80.00%。本研究机器学习模型诊断效能相比于王婷等[12]结果较好。王婷等基于二维超声图像的纹理分析在HT背景下鉴别诊断结节良恶性的AUC为0.842,准确度为78.5%,灵敏度为79.1%,特异度为77.8%。这是因为本研究将临床特征与超声特征相结合，在此基础上的机器学习模型能提供更好的诊断效能。

本研究仍有局限性：首先，本研究的训练集和验证集数据来自同一家医院，模型的性能需要通过外部测试进一步验证，未来可以进行大型多中心研究以进一步验证本研究结果。其次，本研究中部分分级为C-TIRADS 2和3级的结节依据临床随访结果，无病理结果异常，因此，可能存在将极少数恶性结节列为良性结节的可能性。

4、结论

基于灰阶超声特征联合临床特征构建的不同机器学习模型对HT背景下甲状腺结节良恶性的鉴别诊断效能有所提高，且以LR模型的表现能力相对较强。

参考文献:

[1] 赫捷,李进,程颖,等.中国临床肿瘤学会(CSCO)分化型甲状腺癌诊疗指南2021FJJ.肿瘤预防与治疗,2021,34(12):164-1201.13).

[2] 赵永峰,杜杰,胡峰,等.3种甲状腺影像报告和数据系统对桥本甲状腺炎背景下甲状腺结节的诊断价值].中国超声医学杂志,2023,39(4):365-368.

[3] 胡小玲,再海涛.超声影像组学评估甲状腺乳头状癌颈部淋巴结转移[J].中国超声医学杂志,2022,38(4):367-37018.

基金资助:江苏省“六大人才高峰”高层次人才选拔培养项目(No.WSW-056);江苏省部共建放射医学与辐射防护国家重点实验室开放课题(No.GZK1202207);

文章来源:詹晓丽,徐莉萍,金晨阳等.超声影像组学对桥本甲状腺炎背景下甲状腺结节的诊断价值[J].中国超声医学杂志,2023,39(09):961-965.