基于术前超声特征的多类别深度神经网络在甲状腺微小乳头状癌手术方案推荐中的应用研究

来自北京友谊医院、首都医科大学的研究团队针对甲状腺微小乳头状癌(PTMC)手术方案选择难题，开发了整合超声特征与临床风险因素的多类别深度神经网络模型。该研究通过1,434例cN0期患者数据，筛选出年龄、合并症等关键预测因子，模型对全切术(ACC=0.73/AUC=0.83)、次全切术(ACC=0.91/AUC=0.92)等三类术式展现出差异化性能，为个体化甲状腺癌治疗提供了客观决策工具。

　　

这项开创性研究构建了一个智能手术决策框架，专门用于指导甲状腺微小乳头状癌(papillary thyroid microcarcinoma, PTMC)的治疗选择。科研人员巧妙地将深度学习技术与临床医学相结合，对1,434例淋巴结阴性(cN0)患者的术前超声图像特征进行深度挖掘，同时整合了包括合并症在内的多种临床指标。

通过自举重采样(bootstrap resampling)和递归特征消除(RFE)这两把"数据筛子"，研究团队精准锁定了5个关键决策因素：患者年龄、伴随疾病、病灶大小、心率参数以及多发病灶情况。这些因子被输入到一个精心设计的多分类神经网络中，该网络能够将病例智能归类到三种手术方案：甲状腺全切术(Class 1)、甲状腺次全切术(Class 2)以及肿瘤切除/单侧叶切除(Class 3)。

令人振奋的是，这个AI模型展现出差异化的"手术推荐天赋"——对次全切术的预测准确率高达91%(ACC=0.91)，其接收者操作特征曲线下面积(AUC=0.92)接近完美；而对全切术的预测虽然稍逊(ACC=0.73)，但仍保持83%的AUC值，显示出良好的临床适用性。这项突破不仅为"精准甲状腺外科"提供了智能导航仪，更标志着人工智能在肿瘤个体化治疗领域迈出了关键一步。