编辑推荐：
为解决血清阴性桥本甲状腺炎（Seronegative HT）因缺乏抗体标记易漏诊的问题，研究人员开展基于超声影像组学的机器学习模型预测该疾病的多中心研究。结果显示 CCH-NET 模型诊断效能优于资深超声医师，有助于提高早期诊断准确率，具有重要临床意义。
在甲状腺疾病的诊疗领域，血清阴性桥本甲状腺炎（Seronegative HT）一直是个棘手的难题。它作为桥本甲状腺炎（HT）的特殊亚型，由于缺乏甲状腺抗体这一关键诊断指标，疾病进程隐匿，侵袭性较低，但却不容小觑，因为它依然可能发展为甲状腺功能减退（hypothyroidism） ，导致患者出现一系列代谢紊乱等症状。目前，依据 L. Croce 等人在 2020 年确立的诊断标准，在疾病早期甲状腺功能正常阶段，诊断极为困难，缺乏典型的抗体表现和明显的超声特征，使得大量病例被漏诊或误诊，这给患者的健康带来了潜在威胁。
为了攻克这一难题，来自辽宁中医药大学、中国医科大学附属人民医院（辽宁省人民医院）等多家国内机构的研究人员，开展了一项极具意义的多中心研究。他们将研究成果发表在《BMC Immunology》杂志上，为血清阴性桥本甲状腺炎的早期诊断带来了新的希望。
研究人员采用了多种关键技术方法。首先，从 2016 年 11 月至 2024 年 1 月，他们从四家医院收集了 164 例甲状腺肿瘤手术患者的资料，这些患者术前甲状腺功能正常，术后病理确诊为 HT 。之后，利用 Labelme v5.3.1 软件进行感兴趣区域（ROI）分割，获取相关图像数据。通过 PyRadiomics 库提取高通量影像组学特征，运用多种算法进行特征选择和模型构建，最终建立了 CCH-NET 机器学习模型。
下面来看具体的研究结果：
- 患者临床特征：对 HT 患者（训练集 n=92，测试集 n=42）的基线特征分析发现，经典桥本甲状腺炎（CHT）和血清阴性桥本甲状腺炎患者在年龄、促甲状腺激素（TSH）、甲状腺过氧化物酶抗体（TPOAb）和甲状腺球蛋白抗体（TGAb）水平等方面存在显著差异。血清阴性桥本甲状腺炎患者年龄更大，训练集中 TSH 水平更低，部分测试集中游离甲状腺素（FT4）水平更高。
- 诊断效能比较：将 CCH-NET 模型与资深超声医师的诊断结果对比。结果显示，CCH-NET 模型的曲线下面积（AUC）达到 0.8248 ，远超资深超声医师的 0.681 。在内部测试集、外部测试集和正常组中，CCH-NET 模型的诊断准确率分别为 88.89%、75.00% 和 93.33% ，在不同测试集中均展现出较高的诊断准确率和可靠性。
- 模型性能指标：CCH-NET 模型在 Test_1 和 Test_2 中的 F1 评分分别为 0.778 和 0.720 ，阳性预测率和阴性预测率也均高于资深超声医师，表明该模型在不同数据集上具有稳定且可靠的诊断性能。
在研究结论与讨论部分，研究表明血清阴性桥本甲状腺炎患者发病年龄更高，甲状腺损伤相对较轻，但仅依靠甲状腺功能指标难以区分其与经典桥本甲状腺炎。而 CCH-NET 模型整合了超声影像组学和机器学习技术，能够有效提高血清阴性桥本甲状腺炎的早期诊断准确率，为临床医生及时干预、阻止疾病进展为甲状腺功能减退提供了有力支持。不过，该研究也存在一些局限性，如样本量相对较小，可能影响模型的泛化能力；特征选择算法存在一定不稳定因素；超声图像仅为二维，可能导致部分信息遗漏等。但总体而言，这项研究为血清阴性桥本甲状腺炎的早期诊断开辟了新途径，CCH-NET 模型具有潜在的临床应用价值，未来有望通过扩大样本量、改进算法和采用更先进的成像技术进一步优化，从而更好地服务于临床实践，造福广大患者。
