基于超声影像组学联合临床实验室指标构建桥本甲状腺炎分期风险预测模型的研究

本研究针对桥本甲状腺炎(HT)分期诊断难题，创新性地整合超声影像组学特征与17项临床实验室指标，采用XGBOOST等6种机器学习算法构建风险预测模型。结果显示模型在训练队列中AUC达0.999，三个独立验证队列AUC均>0.94，其中甲状腺横断面一阶特征、纵断面GLRLM纹理特征和游离甲状腺素(FT4)贡献度最高。该研究为HT早期精准干预提供了可解释性AI工具，对改善患者预后具有重要意义。

　　

桥本甲状腺炎(HT)作为最常见的自身免疫性甲状腺疾病，其发展过程常经历从单纯抗体阳性到甲状腺功能减退的渐进性演变。尽管甲状腺激素替代治疗能改善部分症状，但患者仍饱受抑郁、畏寒、心动过缓等困扰，且妊娠期HT更可能影响整个生育过程。传统诊断依赖超声影像和甲状腺功能检测，但约30%患者存在影像表现不典型而抗体升高的矛盾现象，导致诊断延迟。既往研究多聚焦单一模态数据，Li等仅用临床指标构建的模型AUC仅0.78，而Zhang和Zhao的深度学习研究虽涉及超声图像，却未系统整合多维度指标进行分期预测，缺乏临床可解释性。

中国医科大学附属盛京医院的研究团队创新性地提出多模态融合策略，回顾性收集2018-2023年间785例经手术病理确诊的HT患者数据，将其分为早期HT（单纯抗体阳性或伴甲状腺激素升高）和晚期HT（伴亚临床甲减或甲减）。研究团队从甲状腺横纵切面超声图像提取3375个影像组学特征，结合5项临床指标（包括BMI、甲状腺肿大分级）和12项实验室指标（如FT₃、TSH、抗TPO抗体等），通过PyRadiomics平台进行特征提取。采用最大绝对值归一化和方差阈值筛选后，使用GBDT算法优选14个关键特征，其中78.6%来自超声特征。

技术方法上，研究采用多中心回顾性队列设计，训练集来自南湖/滑翔院区507例患者，内部验证集按4:1划分，外部验证集来自沈北院区112例及2023年新增166例数据。通过Darwin研究平台手动勾画ROI，经双盲审核确保分割一致性。采用6种机器学习算法（SVM、LR、DT、RF、GBDT、XGBOOST）建模，通过ROC曲线、校准曲线和决策曲线(DCA)评估性能，并对缺失数据进行K近邻等三种敏感性分析。

研究结果揭示：1）临床特征方面，晚期HT组甲状腺峡部直径更大（0.46±0.3 vs 0.38±0.25cm，p<0.05），BMI更高（25.05±3.47 vs 24.11±3.56），且64.7%早期患者甲状腺无肿大；2）实验室指标中，晚期组FT₃(4.03±0.80 vs 4.36±0.74pmol/L)、FT₄(10.82±2.64 vs 13.39±2.38pmol/L)显著降低，TSH(13.77±19.21 vs 1.96±1.13uIU/mL)和抗TPO抗体(518.19±426.93 vs 313.99±377.72IU/mL)显著升高；3）模型性能方面，XGBOOST在训练集AUC达0.999(95%CI:0.998-1)，三个验证集AUC分别为0.993、0.947和0.98，显著优于其他算法（p<0.05）；4）特征重要性分析显示，甲状腺横断面一阶特征、纵断面灰度游程矩阵(GLRLM)和FT₄贡献度最高，SHAP值可视化证实这些特征对模型决策具有决定性影响。

讨论部分指出，该研究首次实现HT分期的多模态预测，其创新性体现在：1）突破传统单模态分析局限，证实超声纹理特征（如GLRLM）能捕捉甲状腺微结构改变；2）发现FT₄较TSH更具分期判别价值，为临床监测提供新思路；3）通过K近邻等敏感性分析验证模型稳健性。尽管存在回顾性研究的局限性，但该模型已展示出临床转化潜力，未来可通过前瞻性研究验证其指导早期干预的价值。论文发表于《Ultrasound in Medicine》，为自身免疫性甲状腺疾病的精准诊疗树立了新范式。