编辑推荐：
研究人员为解决胸腺肿物（TMLs）术前精准分类难题，开展相关研究，构建模型分类准确率达 0.8547，助力临床决策。
在人体的 “生命防御总部”—— 胸腺中，隐藏着许多不为人知的秘密。胸腺位于前纵隔，它在早期免疫发育中扮演着极为关键的角色，如同一个精密的 “免疫士兵训练营”，能生成多样化的 T 细胞，这些 T 细胞是维持免疫自我耐受和防御的重要力量。然而，当胸腺出现肿物（胸腺肿物，Thymic mass lesions，TMLs）时，情况就变得复杂起来。
TMLs 包含多种良恶性病变，常见的有胸腺瘤、胸腺囊肿、胸腺癌等。这些肿物在早期往往悄无声息，多数是在体检或其他检查时偶然被发现。即便部分患者出现症状，也缺乏特异性，比如胸痛、咳嗽、气短等，很难据此判断肿物的具体类型。更棘手的是，由于 TMLs 的影像学表现多样，不同类型病变之间存在重叠，目前术前精准分类是一大难题。传统诊断依赖术后病理，可这对于术前制定最佳治疗方案和评估预后极为不利。例如，对于胸腺囊肿或早期非重症肌无力胸腺瘤患者，有限切除或许是安全且有益的，但术前若无法准确判断，就难以实施精准治疗。
为了攻克这一难题，南京医科大学附属淮安第一人民医院、淮安癌症医院以及四川大学华西医院的研究人员展开了深入研究。他们构建了一个用于 TMLs 的多分类分类器模型，旨在实现 TMLs 的早期诊断，并为患者量身定制个性化治疗策略。该研究成果发表在《Cancer Imaging》杂志上。
研究人员开展此项研究时，采用了多个关键技术方法。他们收集了 2017 年 9 月至 2024 年 9 月来自三家医院的 400 例 TMLs 患者作为样本队列。利用 64 排 CT 扫描仪对患者进行胸部 CT 扫描，获取影像数据。借助 “ITK_SNAP”“pyradiomics” 等软件，在高级放射科医生和胸外科医生的共同监督下，勾画出感兴趣区域（Regions of interest，ROIs），并提取影像组学特征。同时，收集患者年龄作为临床参数。之后，运用 K 近邻算法（K-Nearest Neighbors，KNN）构建基础分类器，再通过多分类逻辑回归模型构建元分类器。
下面来看看具体的研究结果：
- 模型性能：研究人员在验证集上对模型性能进行评估。多分类逻辑回归模型的总体准确率达到 85.47%，95% 置信区间为 77.76 - 91.3%。Kappa 统计量为 0.8206，表明预测结果与实际分类之间一致性很强。此外，模型准确率显著高于无信息率 30.77%（p 值 < 2.2×10-16），充分证明模型性能远优于随机猜测。
- ROC 曲线和 AUC：通过绘制受试者工作特征（Receiver Operating Characteristic，ROC）曲线评估模型区分不同类别的能力。结果显示，各分类的曲线下面积（Area Under the Curve，AUC）值表明模型具有出色的分类性能。其中，胸腺囊肿的 AUC 值达到 1.00，意味着能完美区分；多数其他类别如 AB 型、B2 型、B3 型和 C 型胸腺瘤的 AUC 值也高达 0.96 及以上，显示出很强的鉴别能力；A 型胸腺瘤 AUC 值为 0.88，虽稍低但仍具有较好的区分能力。
- 分类特异性性能：从各分类的详细性能指标来看，模型在大多数类别中表现出较高的灵敏度。例如，胸腺囊肿（Class_0）的灵敏度为 94.44%，特异性为 98.77%；AB 型胸腺瘤（Class_2）灵敏度为 82.61%，特异性为 97.87%；A 型胸腺瘤（Class_1）灵敏度为 75.00%，特异性达到 100%，不过该类样本数量相对较少。对于 C 型胸腺瘤（Class_6），灵敏度为 81.25%，精度稍低为 68.42%，但平衡准确率（灵敏度和特异性的平均值）仍相对较高，为 87.65%。
- 指标总结：在阳性预测值方面，多数类别表现良好，胸腺囊肿（Class_0）达到 97.14%，B3 型胸腺瘤（Class_5）的精度更是达到 100%。阴性预测值在各分类中也表现出色，进一步证明模型在识别和排除特定类型胸腺肿瘤方面的有效性。平衡准确率在所有类别中普遍较高，B1 型胸腺瘤（Class_3）达到 93.93%，胸腺囊肿（Class_0）最高，为 96.60%。
综合研究结论和讨论部分，此次研究构建的多分类模型，利用归一化的影像组学特征和年龄，在预测多种 TMLs 类型（包括胸腺囊肿和不同亚型胸腺瘤）方面展现出强大的分类性能。其准确性与先前 TMLs 影像组学分析研究相当，但本研究深入到更细致的分类，能更精准地区分胸腺囊肿和胸腺上皮肿瘤，为临床提供了更有价值的信息。尽管模型目前还不能直接指导临床治疗决策，但影像组学特征有望成为无创诊断的重要辅助手段。
当然，该研究也存在一些局限性。比如研究未涵盖所有前纵隔肿瘤，样本量还有提升空间，KNN 算法难以进行特征重要性分析，且未深入探讨重症肌无力与胸腺瘤的关系。不过，这也为后续研究指明了方向。未来研究可扩大样本范围，增加样本量，增强模型可解释性，在临床环境中进行前瞻性验证，以及探索重症肌无力与胸腺瘤的关系。总体而言，这项研究为胸腺肿瘤的分类提供了有效工具，有助于优化治疗方案，在临床应用中具有广阔的前景。
