编辑推荐：
研究人员为探索甲状腺恶性结节新标记物，开展超声组学与机器学习研究，发现 7 个新标记物。
甲状腺结节的识别主要依赖超声医生对结节形态等肉眼可见特征的评估。超声组学技术（Ultrasound omics）能够揭示肉眼不可见的额外特征，这或许有助于评估甲状腺恶性结节。本研究旨在利用超声组学和机器学习（ML）技术，探索甲状腺恶性结节的新型标记物。
研究共纳入 1056 个经病理确诊的甲状腺结节，其中恶性结节 469 个，良性结节 587 个。研究人员记录了 “纵横比”“形状”“边缘”“血流信号” 以及 “钙化模式” 等传统超声特征。针对每张超声图像绘制感兴趣区域（ROIs），并运用基于 Python 的 pyRadiomics 工具提取特征。采用最小绝对收缩和选择算子（Lasso）算法以及相关性分析筛选相关特征。数据按 80:20 的比例分为训练集和测试集。运用多种机器学习算法构建模型，通过 SHapley Additive exPlanations（SHAP）评估特征重要性。
研究结果显示，从每张图像中总共提取出 104 个超声组学特征，并识别出 7 个甲状腺恶性结节的超声组学标记物。利用随机森林（RF）算法构建的模型在测试集上表现最佳，准确率、灵敏度、特异度以及受试者工作特征曲线下面积（AUC）分别达到 89.6%、90.2%、89.2% 和 89.7%。然而，当从机器学习特征中排除这 7 个超声组学标记物后，模型性能下降至 83.5%、80.4%、85.8% 和 83.1%。SHAP 分析表明，这 7 个标记物均为重要特征。
这些新型超声组学标记物或许能提高甲状腺结节诊断的准确性，其临床实用性仍需进一步研究加以证实。
