结构方程模型与机器学习联用预测Bethesda III类甲状腺结节恶性的临床决策支持系统

为解决Bethesda III类甲状腺结节（AUS）恶性风险预测的临床难题，土耳其卡拉德尼兹技术大学团队开发了整合结构方程模型（SEM）与机器学习（SVM/NB/DT）的决策系统。研究纳入204个结节的多模态数据，经SEM特征筛选后，SVM模型准确率达82%，特异性97%，可显著减少不必要手术。该成果发表于《Artificial Intelligence in Medicine》，为甲状腺癌精准诊疗提供新范式。

　　

甲状腺结节在人群中检出率高达50-60%，其中Bethesda III类结节（意义不明的非典型性病变，AUS）的恶性风险评估长期困扰临床医生。尽管细针穿刺活检(FNAB)是诊断金标准，但AUS结节的恶性率波动范围惊人（6%-76%），导致过度手术或漏诊风险并存。2023版Bethesda系统虽更新了恶性风险估算标准，仍无法解决个体化预测的难题。

土耳其卡拉德尼兹技术大学Farabi医院团队在《Artificial Intelligence in Medicine》发表突破性研究，首次将结构方程模型(SEM)与机器学习算法结合，开发出针对AUS结节的临床决策支持系统。研究团队回顾性分析2011-2019年间183例患者（含204个结节）的多维度数据，涵盖临床指标、超声特征(USG)、细胞病理学和创新性引入的形态计量学参数。通过SEM筛选关键变量后，比较支持向量机(SVM)、朴素贝叶斯(NB)和决策树(DT)等算法的预测效能。

关键技术包括：1）基于SEM的56维特征降维；2）机器学习模型构建与验证；3）多模态数据整合策略。研究队列来自超声引导FNAB确诊的AUS患者，严格遵循STROBE报告规范。

【结果】

1. 人群特征：204个结节中恶性占比49%（100/204），良性51%，数据分布均衡。SEM筛选出14个核心预测因子，包括超声微钙化、结节边界特征等影像学标志物。

2. 模型性能：SVM表现最优，准确率82%、特异性达97%，受试者工作特征曲线下面积(AUC)84%。对比传统逻辑回归，机器学习模型显著提升鉴别效能。

3. 场景应用：针对不同临床需求开发的子模型显示，整合形态计量学参数可使预测敏感度提升15%。

【讨论与结论】
该研究突破现有Bethesda系统的定性分类局限，首次实现AUS结节恶性的量化预测。SVM模型97%的特异性意味着可有效避免良性结节的不必要手术，这对恶性率仅22%的AUS群体尤为重要。研究创新点在于：1）引入SEM解析变量间复杂相互作用；2）证实形态计量学参数的增量价值；3）建立适用于资源有限地区的低成本预测方案。

作者Zeliha Ayd?n Kasap等强调，该系统在甲状腺癌高发地区更具应用价值，可优化医疗资源配置。未来需前瞻性验证其泛化能力，并探索与分子标志物的联合应用。这项研究为甲状腺结节精准管理树立了新标杆，标志着人工智能辅助诊断从影像分析迈向多模态整合的新阶段。