基于机器学习算法的多模态超声在TI-RADS 4级良性及恶性甲状腺结节诊断中的价值：一项单中心回顾性研究

《Current Medical Imaging》：The Value of Multimodal Ultrasound Based on Machine Learning Algorithms in the Diagnosis of Benign and Malignant Thyroid Nodules of TI-RADS Category 4: A Single-Center Retrospective Study

基于二维超声、剪切波弹性成像和对比增强超声的多模态机器学习模型可有效预测TI-RADS 4类甲状腺结节恶性风险，并通过LASSO回归、随机森林等算法筛选出Emax、FT4、TI-RADS评分和ΔPE为关键预测因子。

　　

摘要

引言：超声波常用于甲状腺结节的诊断，但区分良性与恶性TI-RADS 4级结节仍然具有挑战性。本研究结合了二维超声、剪切波弹性成像（SWE）和对比增强超声（CEUS）的特征，并通过机器学习方法来提高这些结节的诊断准确性。

方法：共纳入108名患者的117个TI-RADS 4级甲状腺结节，根据病理结果将其分类为良性或恶性。对比了二维超声、CEUS和SWE的结果。使用LASSO回归方法选择了预测特征，并通过随机森林（Random Forest）、支持向量机（SVM）和XGBoost算法进一步验证了这些特征的重要性。构建了一个逻辑回归模型，并将其以诺模图（nomogram）的形式可视化。通过接收者操作特征曲线（ROC）分析、校准曲线和决策曲线分析（DCA）来评估模型的性能。

结果：与良性病变相比，恶性结节在血清FT3、FT4、FT3/FT4、TSH和TI-RADS评分方面显著升高。关键的影像学鉴别指标包括边界不清、长宽比≥1、内部回声低、超声上的微钙化；CEUS上的增强程度、环形增强和排泄现象；以及SWE值的升高（Emax、Emean、Esd等）和CEUS定量参数的改变（PE、WiR、WoR等）（所有P<0.05）。一个整合了四个最佳预测因子（Emax、FT4、TI-RADS和ΔPE）的诺模图，在ROC、校准和DCA曲线分析中表现出稳健的预测性能。

讨论：包含Emax、FT4、TI-RADS和ΔPE的诺模图显示出较高的预测准确性，尤其是在TI-RADS 4级结节中的乳头状癌方面。然而，其适用性可能受到单中心回顾性设计和有限的病理样本覆盖范围的限制。

结论：基于多模态超声的机器学习模型能够有效预测TI-RADS 4级甲状腺结节的恶性程度。