基于机器学习的部分囊性甲状腺结节整体与内部超声特征量化诊断模型研究

本研究创新性地采用机器学习（ML）技术，对486例部分囊性甲状腺结节（PCTNs）的整体超声特征和内部实性成分特征进行量化分析，构建了整合双重特征的诊断模型（AUC=0.96）。该模型显著提升恶性PCTNs识别准确率（灵敏度0.88，特异性0.92），突破传统ACR-TIRADS分类局限，为临床提供可解释的量化诊断工具。

　　

Introduction

随着超声设备分辨率的提升，部分囊性甲状腺结节（PCTNs）检出率逐年攀升，占甲状腺结节的27.0%，其中恶性比例达3.3%-17.6%。传统ACR-TIRADS系统对PCTNs恶性风险评估存在局限（AUC 0.50-0.85），主要源于医师对恶性PCTNs超声特征认知不足。既往机器学习（ML）研究虽尝试改进（AUC 0.824-0.909），但模型可解释性差制约临床转化。本研究旨在开发可量化结节整体与实性成分内部特征的ML模型，为临床决策提供透明化依据。

Patients and methods

研究纳入西安交通大学第二附属医院2021-2022年486例经病理证实的PCTNs（恶性135例）。采用Hitachi、ACUSON等超声设备采集图像，由7-17年经验医师标注9项特征：整体特征包括纵横比、边缘、回声、微钙化/大钙化；内部特征含实性成分占比≥50%、偏心性、囊实交角锐钝、边缘清晰度。通过ITK-SNAP手动分割结节及实性成分ROI，Darwin平台提取1125个特征后筛选10-22个关键特征。数据集按7:3分为训练集（340例）与测试集（146例），采用逻辑回归（LR）构建三类模型：整体特征模型、内部特征模型及整合模型。

Results

训练集中，恶性PCTNs显著关联的特征包括：整体特征中的低回声（OR=7.62，P<0.001）、微钙化及大钙化；内部特征中的实性占比≥50%（OR=11.65，P<0.001）和边缘不清。测试集显示，整合模型表现最优（AUC 0.96 vs 整体模型0.85，P=2.35e^-6），灵敏度0.88、特异性0.92、阴性预测值0.96。内部特征模型（AUC 0.93）与整合模型无统计学差异（P=0.101），但显著优于整体模型。典型病例显示，整合模型可纠正单纯整体特征模型的误判（图4）。

Discussion

研究首次证实PCTNs实性成分内部特征（尤其是实性占比≥50%和边缘不清）对恶性鉴别具有决定性价值。ML量化模型突破传统主观评估局限，其两大创新点在于：1）通过概率化输出实现特征客观量化（如微钙化概率值77%）；2）生成可解释的临床文本报告。值得注意的是，大钙化在单因素分析中无差异，但多因素回归显示其预测价值，提示ML能捕捉人眼忽略的深层关联。

Conclusions

基于ML的超声特征量化体系将PCTNs诊断准确率提升至91%，其中实性成分内部特征评估是关键。该模型为ACR-TIRADS系统提供重要补充，其可解释性输出有助于临床医师快速掌握决策依据，特别适合经验不足的医师使用。未来需通过前瞻性多中心研究验证模型普适性。