全甲状腺CT影像组学模型与病灶模型在甲状腺结节良恶性鉴别中的等效性研究

本研究针对甲状腺结节良恶性鉴别中传统病灶分割方法耗时且忽略瘤周区域影响的问题，提出基于全甲状腺的CT影像组学策略。通过1121例患者的对比研究，发现全甲状腺模型（随机森林AUC 0.80）与病灶模型（逻辑回归AUC 0.81）诊断效能无显著差异（Delong检验p>0.05），特别对边界不清的甲状腺乳头状癌（PTC）显示出90%的敏感度优势。该研究为自动化甲状腺分析提供了新思路，相关成果发表于《Journal of Imaging Informatics in Medicine》。

　　

甲状腺结节的良恶性鉴别一直是临床难题。虽然超声（US）是首选检查手段，但美国放射学会甲状腺影像报告和数据系统（ACR TI-RADS）的特异性仅44.0%-67.3%，导致大量不必要的活检。更棘手的是，传统基于病灶的机器学习（ML）模型存在三大局限：对边界不清结节（如甲状腺炎合并结节）识别困难、多结节病例处理效率低下、微小结节（直径≤1 cm）分割精度不足。这些痛点催生了一个关键科学问题——能否通过更高效的影像分析方法，在不降低诊断准确性的前提下突破现有技术瓶颈？

暨南大学附属第一医院的研究团队开展了一项开创性研究。他们创新性地提出"全甲状腺分割"策略，通过对1121例患者的对比增强CT（CECT）动脉期图像分析，系统比较了全甲状腺与病灶分割两种方法的诊断效能。研究采用LASSO算法从1130个全甲状腺特征和963个病灶特征中降维筛选，构建了逻辑回归（LR）、决策树（DT）、随机森林（RF）和支持向量机（SVM）四种机器学习模型。

关键技术方法包括：1）多中心回顾性队列（n=1121，7:3划分训练/验证集）；2）Toshiba/GE多排螺旋CT动脉期图像采集；3）ITK-SNAP软件双盲标注（ICC>0.75）；4）pyradiomics提取1130维全甲状腺特征；5）5折交叉验证的LASSO特征选择；6）Delong检验比较AUC差异。

研究结果
患者特征与结节病理结果
763例恶性结节（89%为PTC）与358例良性结节构成研究队列，女性占比75%（574/763），反映PTC的性别分布特征。

特征提取与选择
全甲状腺模型优选49个特征（含33个关键特征），病灶模型筛选47个特征（含43个关键特征）。特征热图显示全甲状腺模型更关注腺体边缘纹理特征，而病灶模型侧重内部异质性指标。

四种ML模型的诊断效能
在验证集中，全甲状腺RF模型达到最高AUC 0.80（敏感度90.0%，特异度51.9%），与病灶LR模型（AUC 0.81）无统计学差异（p=0.32）。值得注意的是，全甲状腺模型对模糊边界PTC的检测优势显著：在51例难界定病例的亚组分析中，DT模型取得AUC 0.804，敏感度提升至81.3%。

讨论与结论
该研究首次证实全甲状腺CT影像组学可达到与传统病灶模型相当的诊断效能（Delong检验p>0.05），其核心价值体现在三个方面：1）突破边界不清结节的技术瓶颈，对微小PTC的敏感度提升6.41%（LR模型）；2）通过ITK-SNAP标注实现0.75以上的组内相关系数，显著降低人工分割变异；3）为未来自动化流水线奠定基础，单例分析时间从传统30分钟缩短至5分钟。

研究局限性包括单中心设计（需多中心验证）和仅采用动脉期图像（未探索静脉期价值）。团队正在拓展两项应用：基于DICOM的自动分割算法开发，以及全甲状腺特征预测颈部淋巴结转移的转化研究。这些进展将推动甲状腺结节管理进入智能化时代，最终实现"精准诊断-个体化治疗-预后预测"的全流程优化。