编辑推荐：
甲状腺癌中滤泡状甲状腺癌（FTC）术前诊断困难，现有诊断方法存在局限。研究人员开展多模态超声影像组学模型联合临床模型鉴别 FTC 与滤泡状甲状腺腺瘤（FTA）的研究。结果显示新模型诊断效能良好，有助于甲状腺结节管理决策。
甲状腺癌作为全球最常见的内分泌肿瘤之一，其发病率正稳步上升。其中，滤泡状甲状腺癌（FTC）是甲状腺癌中较为常见的一种，仅次于乳头状甲状腺癌（PTC）。然而，与 PTC 不同，FTC 的术前诊断面临诸多挑战。目前，虽然有多种甲状腺成像报告和数据系统（TIRADS），但这些系统主要对 PTC 的诊断有效，对 FTC 的诊断准确性有限。例如，常见的美国放射学会的 ACR-TIRADS、欧洲放射学会的 EU-TIRADS、韩国放射学会的 K-TIRADS 以及中国超声医学学会的 C-TIRADS 等，都难以精准判断 FTC。同时，细针穿刺（FNA）细胞学检查虽常用，但因其采样局限，难以全面评估结节的包膜和血管侵犯情况。而且，仅依据细胞学特征很难区分 FTC 和滤泡状甲状腺腺瘤（FTA），因为二者都源于滤泡状甲状腺细胞。另外，粗针活检（CNB）虽诊断准确性较高，但依赖操作者经验且具有侵入性，会增加并发症风险，无法在临床广泛应用。当前，诊断性手术后的病理检查是确诊 FTC 的主要方法，但大多数疑似滤泡状甲状腺肿瘤最终被证实为良性，诊断性手术会给患者带来诸如甲状腺功能减退、喉返神经损伤等术后风险。因此，开发一种无创且可靠的术前鉴别 FTC 和 FTA 的方法迫在眉睫。
为了解决这一难题，中南大学湘雅三医院的研究人员开展了一项极具意义的研究。他们致力于开发一种整合超声造影（CEUS）和 B 超（B-US）影像组学特征以及临床特征的列线图，以提高术前鉴别 FTC 和 FTA 的能力。该研究成果发表在《BMC Medical Imaging》杂志上。
在研究过程中，研究人员运用了多种关键技术方法。首先，他们回顾性收集了 2015 年 1 月至 2023 年 9 月在湘雅三医院超声科接受 B-US 和 CEUS 检查，并经术后病理确诊为 FTC 或 FTA 的患者资料。然后，利用专业的超声设备获取甲状腺结节的 B-US 和 CEUS 图像，并从电子病历系统收集患者的临床信息。接着，通过图像分割和特征提取技术，从图像中提取大量的影像组学特征。之后，运用相关性分析和 Lasso 回归等方法进行特征选择，并构建了多种机器学习模型，如逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）、K 近邻（KNN）和轻梯度提升机（LightGBM）等。最后，将筛选出的影像组学特征与临床特征相结合，构建列线图，并对其诊断性能、校准度和临床实用性进行评估。
下面来详细看看研究结果：
- 患者基线临床特征：研究共纳入 201 例患者（133 例 FTC 和 68 例 FTA），平均年龄 46.28±13.33 岁。训练组和测试组患者在年龄、性别分布上无显著差异，但训练组中 FTC 和 FTA 患者的 C-TIRADS 评分分布存在显著差异。此外，训练组中 FTA 和 FTC 患者在结节的回声、成分、钙化、小梁形成、造影剂到达时间、灌注缺损和环形增强等方面也存在显著差异。
- 影像组学特征（Rad signature）：从每位患者的甲状腺 B-US 和 CEUS 图像中提取了 1662 个影像组学特征。经过 Spearman 相关性分析和 Lasso 回归结合 10 折交叉验证，最终筛选出 7 个影像组学特征，包括 2 个形状特征、3 个小波变换纹理特征和 2 个小波变换强度特征，其中 3 个来自 B-US 图像，4 个来自 CEUS 图像。将这些特征输入不同的机器学习模型后发现，在测试组中，LR 模型的 AUC 值最大（0.787），因此选择该模型的影像组学评分作为影像组学特征（Rad signature）。
- 临床特征（Clinic signature）：基于训练组中 FTC 和 FTA 患者临床和超声特征的差异分布，选择回声、成分、钙化、小梁形成、到达时间、灌注缺损和环形增强等特征构建临床风险 LR 模型。该模型在训练组和测试组中的诊断 AUC 值均高于 C-TIRADS 模型（训练组：0.802 vs. 0.719；测试组：0.745 vs. 0.703）。因此，将该模型计算出的个体化 FTC 风险评估作为临床特征（Clinic signature）。
- 列线图（Nomogram）：将影像组学特征（Rad signature）和临床特征（Clinic signature）通过逻辑回归相结合构建列线图。在训练组中，列线图的 AUC 值（0.867）显著高于影像组学特征（0.788）和临床特征（0.802）；在测试组中，列线图的 AUC 值（0.833）也高于影像组学特征（0.787）和临床特征（0.745），且与临床特征的差异具有统计学意义。校准曲线显示列线图、影像组学特征和临床特征的预测值与实际值具有中等程度的一致性，Hosmer-Lemeshow 检验表明在训练组和测试组中预测值与实际值之间无显著差异。决策曲线分析（DCA）显示，在大多数阈值概率区间内，列线图的净效益优于单一的临床风险模型和影像组学模型。
在研究结论和讨论部分，研究人员指出，目前术前通过超声和 FNA 检查鉴别 FTC 和 FTA 存在困难，CNB 存在局限性，诊断性手术会给患者带来负担。而他们构建的结合 B-US 和 CEUS 影像组学特征以及临床特征的列线图，在测试组和训练组中均获得了良好的 AUC 值（分别为 0.833 和 0.867）。此外，基于 B-US 和 CEUS 图像构建的临床风险 LR 模型在诊断效能上优于 C-TIRADS 模型。研究还分析了 FTC 和 FTA 在超声特征上的差异，如 FTC 更常表现为低回声、实性成分、粗大钙化、小梁形成、灌注缺损和不完全环形增强等，这些特征可作为诊断 FTC 的风险指标。不过，该研究也存在一些局限性，如样本量有限且为单中心研究，可能存在选择偏倚；研究为回顾性设计，临床数据质量受限；影像组学在临床实践中的可解释性不足等。未来需要开展多中心、大样本的前瞻性研究，并运用更先进的深度学习技术来优化模型。
总体而言，这项研究构建的列线图为术前鉴别 FTC 和 FTA 提供了一种新的有效工具，有望改善甲状腺结节的临床管理决策，为临床医生提供更精准的诊断依据，在甲状腺疾病的诊断和治疗领域具有重要的意义。
