基于超声影像组学的可解释机器学习模型在术前鉴别甲状旁腺癌与非典型肿瘤中的价值

本研究创新性地构建了基于超声影像组学（Radiomics）的随机森林（RF）模型，通过提取544个定量特征，实现了对甲状旁腺癌（PC）和非典型肿瘤（APT）的高精度鉴别（AUC=0.933）。该模型显著优于支持向量机（SVM）和逻辑回归（LR），并通过SHAP值可视化关键预测因子（如sENS、LBP_XX等），为临床制定手术方案（如整块切除en bloc）提供了客观依据。

　　

背景

甲状旁腺癌（PC）和非典型甲状旁腺肿瘤（APT）是罕见的内分泌恶性肿瘤，其临床表现与良性腺瘤高度重叠。世界卫生组织（WHO）2022年分类将APT定义为具有恶性潜能但缺乏明确浸润证据的病变。由于PC患者10年生存率仅60-72%，而APT可能为PC的早期阶段，术前准确鉴别对手术方式选择（如整块切除）至关重要。传统超声检查依赖操作者经验，存在主观性局限。

方法

研究纳入南京鼓楼医院和金陵医院913例经手术证实的甲状旁腺病变（90例恶性，823例良性），分为训练集（730例）和外部测试集（183例）。通过ImageJ手动勾画病灶感兴趣区域（ROI），提取544个超声影像组学特征（包括形态学和纹理特征），采用合成少数类过采样技术（SMOTE）解决数据不平衡问题。构建随机森林（RF）、支持向量机（SVM）和逻辑回归（LR）三类机器学习模型，通过10折交叉验证评估性能。

结果

RF模型在测试集中表现最优，曲线下面积（AUC）达0.933，显著高于SVM（0.900）和LR（0.901）。特征重要性分析显示，小区域纹理强度（sENS）、局部二值模式（LBP_XX）和形状特征（sAX_MN）贡献度最高。热图和SHAP值可视化揭示，70个关键特征中仅5个（如hAHg、hMSD）呈现70%的显著偏好性，反映肿瘤异质性的复杂生物学本质。

讨论

该研究首次将超声影像组学应用于PC/APT鉴别：

1. 技术优势：RF模型通过捕捉特征间非线性关系（如GLCM衍生的hAHg），克服传统超声主观性局限；

2. 临床意义：关键特征sENS可能对应肿瘤组织生理特性，而LBP_XX特征反映局部纹理异质性，与病理侵袭性相关；

3. 局限性：回顾性设计和样本不平衡（PC仅3例）可能影响泛化能力，未来需整合临床指标（如iPTH）提升预测效能。

结论

这项多中心研究证实，基于超声影像组学的可解释AI模型能客观量化甲状旁腺病变特征，其RF分类器性能超越传统方法。尽管存在"黑箱"挑战，SHAP分析为临床医生提供了直观的决策依据，有望优化手术策略和患者预后管理。