基于超声影像组学和临床参数的机器学习模型预测甲状腺微小乳头状癌中央区淋巴结转移的研发与验证

本研究针对甲状腺微小乳头状癌(PTMC)中央区淋巴结转移(CCLNM)术前评估难题，通过整合超声影像组学特征与临床参数，开发了机器学习预测模型。研究团队回顾性分析480例PTMC患者数据，构建的联合模型（含年龄、桥本甲状腺炎(HT)及影像组学特征）在训练集和验证集的AUC分别达0.767和0.729，为微波消融前个性化治疗决策提供了新工具，相关成果发表于《BMC Medical Imaging》。

　　

甲状腺癌作为内分泌系统最常见的恶性肿瘤，其亚型甲状腺微小乳头状癌(PTMC)虽预后较好，但中央区淋巴结转移(CCLNM)发生率高达40%，显著影响复发风险和临床决策。传统超声因解剖干扰导致CCLNM检出率仅40%，而新兴的热消融技术对淋巴结转移状态评估提出更高要求。这一临床痛点催生了宜昌市中心人民医院团队开展的多模态预测模型研究。

研究团队采用回顾性队列设计，从2020-2024年2933例患者中筛选480例单发PTMC病例（经术后病理确认），按7:3比例划分训练集与验证集。通过迈瑞Resona R9s超声系统采集图像，利用北京医智研平台提取1125个影像组学特征，结合年龄、HT等临床变量，采用百分比筛选法联合Lasso回归构建逻辑回归模型。

患者特征
队列分析显示CCLNM阳性组更年轻（38±9岁 vs 43±8岁，P<0.001）、男性比例更高（31.0% vs 20.2%），且HT合并率达29.3%（阴性组仅9.7%）。多因素分析确认年龄（OR=0.340）和HT（OR=0.598）为独立预测因子。

模型构建
最优联合模型整合6个关键特征：年龄、结节最大径（original_shape2D_MaximumDiameter）、HT状态、对数变换的一阶特征（logarithm_firstorder_10Percentile）、小波变换纹理特征（wavelet-LH_glrlm_RunLengthNonUniformity）及球形度（original_shape2D_Sphericity）。其RadScore公式显示年龄与球形度为保护因素，其余为风险因素。

性能验证
模型在训练集AUC达0.767（95%CI:0.716-0.818），验证集AUC为0.729（95%CI:0.648-0.810）。校准曲线显示良好拟合（训练集P=0.052，验证集P=0.283）。值得注意的是，模型对验证集阳性病例的召回率达75.3%，显著优于传统超声33.2%的敏感性。

讨论启示
该研究首次证实HT是CCLNM的独立危险因素，可能与其微环境促进PD-L1表达相关。年轻患者的较高风险则归因于肿瘤生物学特性差异。虽然当前模型尚未达到临床部署标准（AUC<0.8），但为热消融适应症筛选提供了量化工具。未来需通过多中心研究整合分子标志物（如BRAF突变）以提升预测效能。

这项发表于《BMC Medical Imaging》的成果，标志着影像组学在甲状腺癌精准诊疗中的应用突破，为规避过度手术、优化消融策略奠定了算法基础。研究团队特别指出，模型中的球形度特征反映肿瘤侵袭性，而小波特征捕获的异质性信息，可能对应着转移相关的生物学表型。