基于多中心超声影像组学与机器学习的甲状腺乳头状癌BRAF V600E和TERT启动子突变预测研究

本研究针对甲状腺乳头状癌（PTC）患者术前基因检测的临床需求，通过多中心回顾性研究，开发了基于超声影像组学和机器学习（ML）的预测模型。研究团队利用1076例PTC患者的超声图像提取1070个影像组学特征，结合9种ML算法，成功构建了BRAF V600E突变（AUC 0.810）、TERT启动子突变（AUC 0.897）及双突变（AUC 0.900）的预测模型。该非侵入性方法为个体化治疗决策提供了新工具，尤其在医疗资源受限地区具有重要应用价值。

　　

甲状腺癌是全球增速最快的恶性肿瘤之一，其中甲状腺乳头状癌（PTC）占90%以上。尽管多数PTC预后良好，但5%-10%的病例会出现复发和转移，这与BRAF V600E和TERT启动子突变密切相关。BRAF V600E突变与甲状腺外侵犯和淋巴结转移相关，而TERT启动子突变则是疾病特异性死亡和远处转移的独立危险因素。更棘手的是，这两种突变的共存会显著增加复发风险和死亡率。目前基因检测依赖侵入性活检或术后病理，成本高且普及率低，亟需开发无创预测方法。

为解决这一临床难题，复旦大学附属中山医院联合多家医疗中心的研究团队开展了一项开创性研究。他们创新性地将超声影像组学与机器学习相结合，建立了BRAF和TERT突变的无创预测体系，相关成果发表在《Journal of Clinical》上。

研究团队从3家医疗中心收集了1076例经病理确诊的PTC患者数据，所有病例均接受过BRAF V600E和TERT启动子检测。关键技术包括：1）使用ITK-SNAP软件手动勾画超声图像感兴趣区域（ROI）；2）通过IFoundry平台提取1070个定量影像组学特征；3）采用LASSO回归筛选特征；4）比较9种机器学习算法（包括决策树、逻辑回归等）的预测性能；5）整合显著临床特征构建联合模型。

研究结果

患者特征
训练组（638例）和测试组（438例）的基线特征均衡。BRAF V600E突变率高达80.8%，TERT启动子突变率为4.7%，双突变占4.4%。多因素分析显示，年龄、性别、肿瘤大小等因素与TERT突变显著相关。

影像组学模型性能
决策树模型对BRAF V600E突变的预测最优（测试集AUC 0.767），逻辑回归模型对TERT突变（AUC 0.802）和双突变（AUC 0.805）预测最佳。与传统临床模型相比，影像组学方法显著提高了预测准确性（p<0.05）。

联合模型优势
整合临床特征后，预测性能进一步提升：BRAF模型AUC升至0.810，TERT模型达0.897，双突变模型高达0.900。这种"影像+临床"的整合策略使特异性提升至85%以上。

讨论与意义
该研究首次系统评估了机器学习驱动的超声影像组学对PTC关键基因突变的预测价值，有三方面突破：1）证实超声图像蕴含可量化的基因表型信息；2）建立首个TERT及双突变的预测模型；3）开发出适用于资源有限地区的低成本筛查工具。特别是对双突变高达0.900的AUC值，为高风险患者识别提供了可靠依据。

局限性包括缺乏非PTC对照组和超声设备差异可能的影响。未来需通过前瞻性研究验证模型的普适性。这项技术的临床转化将改变传统基因检测模式，实现"影像即检测"的精准医疗愿景，尤其对推动分级诊疗具有重要意义。