基于甲状腺软骨分割与影像组学特征的预测模型构建：一项可行性研究

为解决喉癌早期诊断中甲状腺软骨浸润识别的难题，研究人员利用HaN-Seg数据集的39例CT影像，通过3D Slicer手动分割甲状腺软骨并提取107个影像组学(Radiomic)特征。结合Jamovi和MATLAB的统计分析显示，机器学习(ML)模型对性别分类准确率达100%，年龄组达85.71%，为区分正常与肿瘤浸润软骨提供了新思路。

　　

喉癌作为头颈部三大高发恶性肿瘤之一，其治疗关键取决于甲状腺软骨(Thyroid Cartilage)是否被肿瘤穿透——这一指标直接关联癌症分期。但CT影像中软骨的年龄相关性变异给诊断带来挑战。

这项探索性研究另辟蹊径：团队采用3D Slicer软件对HaN-Seg数据集的39例CT影像进行软骨手工分割，通过Slicer Radiomics提取了107个定量影像特征。有趣的是，数据分析不仅揭示了性别与年龄的显著差异，更让机器学习(ML)大显身手——性别分类模型交出满分答卷，年龄组预测准确率也高达85.71%。当研究者在回归模型中引入变量转换后，预测精度更是节节攀升。

这些闪着金光的数字背后，是影像组学(Radiomics)对软骨衰老特征解码的巨大潜力。未来若能将此技术应用于临床，或将成为区分"自然老化"与"肿瘤侵袭"软骨的火眼金睛，为喉癌精准分期按下加速键。