预测甲状腺癌外周淋巴结转移的新模型：增强 CT 影像组学联合机器学习算法

为预测甲状腺癌患者外周淋巴结转移（LNM），研究人员构建模型，结果有临床应用价值。

　　甲状腺癌，作为内分泌系统中常见的恶性肿瘤，近年来在我国的发病率呈显著上升趋势，每 10 万人中就有 19.42 人患病。世界卫生组织国际癌症研究机构（IARC）数据显示，2022 年全球新增甲状腺癌病例超 82 万例，发病数位居癌症第七位 。虽然甲状腺癌的死亡率相对较低，可它对公众健康的威胁不容小觑。大约 20 - 30% 的甲状腺癌患者会出现外周淋巴结转移，这就意味着患者往往需要接受更为复杂的手术和放疗，承受更多痛苦。

不同类型的甲状腺癌，发生淋巴结转移的概率差异很大。比如乳头状癌最为常见，约占甲状腺癌的 60 - 70%，预后相对较好；而滤泡状癌占比 20 - 25%，容易通过血行转移，预后较差。髓样癌占 5 - 10%，有淋巴结转移的可能；未分化癌虽然只占 5 - 10%，但恶性程度极高，预后极差。因此，准确预测甲状腺癌外周淋巴结转移，对制定合理治疗方案、评估患者预后至关重要。

此前，影像组学在甲状腺疾病的诊疗中已有所应用，它能把医学图像转化为大量定量特征，辅助疾病诊断和预后评估。不过，利用基于增强 CT 的影像组学联合机器学习算法来预测甲状腺癌外周淋巴结转移的研究还比较少。为填补这一空白，襄阳市第一人民医院的研究人员开展了相关研究，成果发表在《European Journal of Medical Research》杂志上。

研究人员收集了 2015 年 1 月至 2023 年 7 月襄阳市第一人民医院经术后病理确诊的 375 例甲状腺癌患者的临床和增强 CT 影像数据。这些患者被分为淋巴结转移组（88 例）和无淋巴结转移组（287 例），并随机按照 7:3 的比例分为训练集和测试集。

在研究方法上，主要采用了以下关键技术：首先是影像数据的采集与处理，使用东芝 320 排螺旋 CT 扫描仪进行颈部扫描，扫描完成后对原始图像进行重建和预处理，包括降噪、校正和归一化等操作。然后，由专业人员在图像上手动勾勒感兴趣区域（ROI），并提取影像组学特征。通过一系列筛选步骤，如 Z 评分归一化、t 检验或 U 检验、皮尔逊相关系数分析以及最小绝对收缩和选择算子（LASSO）算法降维，最终确定了与淋巴结转移相关的关键影像组学特征，生成了 Radscore 和 Delta Radscore。最后，运用多种机器学习算法（如支持向量机 SVM、梯度提升机 GBM、随机森林 RF 等）构建预测模型，通过交叉验证评估模型性能，选出最优模型。

在分析临床风险因素时，研究发现患者性别、桥本甲状腺炎、肿瘤与甲状腺包膜的邻近程度以及病理亚型等，都是甲状腺癌患者外周淋巴结转移的风险因素。比如，肿瘤突破甲状腺包膜、病理亚型分化程度高的患者，发生淋巴结转移的风险明显增加。

影像组学特征分析显示，从增强 CT 图像中提取的形状、纹理等多种特征，经筛选后得到的一系列特征，如 Inverse Variance、Grey Level Non - Uniformity 等，反映了肿瘤内的异质性和周围组织的结构变化，与甲状腺癌外周淋巴结转移密切相关。

在模型预测性能比较中，训练集里随机森林和 LightGBM 模型出现过拟合，其他模型预测效果较好。在测试集里，基于 SVM 算法的模型表现最佳，其敏感性为 0.849，特异性为 0.769，AUC 值达到 0.879，优于其他算法。

研究人员还利用 SHAP 值对模型预测结果进行解释，确定了肿瘤与甲状腺包膜的邻近程度、病理亚型、Delta Radscore 和 Radscore 1 与甲状腺癌外周淋巴结转移相关。基于 SVM 模型预测结果和 SHAP 值分析，研究人员构建了列线图，能直观展示患者发生外周淋巴结转移的概率。经测试集数据验证，该列线图预测性能良好。

这项研究成功构建了基于增强 CT 影像组学联合机器学习的甲状腺癌外周淋巴结转移预测模型，并通过 SHAP 值分析和列线图构建，提升了模型的可解释性和临床实用性。该模型不仅提高了预测准确性，还为临床决策提供了更科学、直观的依据，具有潜在的临床应用价值。不过，该研究也存在一定局限性，如训练数据的数量和质量有限，影像组学特征与临床特征的交互作用未深入探究，特征提取分析过程复杂且模型可解释性不足等。未来还需要进一步优化机器学习算法，提高模型泛化能力，增强影像组学特征的临床可解释性，推动该技术在临床中的广泛应用。