深度学习与影像组学联合超声图像鉴别甲状腺乳头状癌与微癌的应用研究

这篇研究创新性地将深度学习（DL）与影像组学（Radiomics）结合，通过超声（US）图像构建联合模型（R_V_Combined/R_E_Combined），实现了甲状腺乳头状癌（PTC）与微癌（PTMC）的高效鉴别（AUC达0.946）。研究通过多中心验证（n=549）证实，该模型可显著降低PTMC过度治疗风险，为临床决策提供非侵入性精准工具。

　　

Abstract

研究探讨了基于超声的影像组学、深度学习及联合模型在区分甲状腺乳头状癌（PTC）和甲状腺乳头状微癌（PTMC）中的可行性。通过整合来自两家医院的549例患者数据（180例PTC/436例PTMC），构建了包括VGG13/16/19、AlexNet和EfficientNet在内的深度学习网络，并结合影像组学特征（筛选10个关键特征，含GLRLM/GLSZM等矩阵）。结果显示，联合模型在独立测试集1和2中分别达到0.931和0.946的AUC，显著优于单一模型。

Introduction

甲状腺癌全球发病率持续上升，其中PTMC（直径≤10mm）占70%以上，但其生物学行为常呈惰性（死亡率<1%）。传统超声诊断受限于操作者经验，而影像组学和深度学习（CNN）在甲状腺结节良恶性鉴别中已展现潜力。本研究首次系统评估二者联合对PTC/PTMC的鉴别效能，旨在减少PTMC的过度治疗（如不必要的手术并发症）。

Materials and Methods

患者队列：回顾性纳入医院一的549例患者（训练集/验证集=8:2），医院二的50例作为外部验证集。

影像处理：手动勾画病灶ROI后，通过PyRadiomics提取1566个特征，经LASSO回归筛选出10个关键特征（如灰度依赖矩阵GLDM）。

深度学习：采用预训练的VGG19（最优AUC=0.890）和EfficientNet（最优准确率=0.867），输入224×224像素的US图像，参数包括ReLu激活函数和Adam优化器。

模型融合：通过逻辑回归将影像组学评分（R_score）与深度学习预测分数晚期融合。

Results

• 影像组学模型：在外部验证集AUC为0.822，关键特征包括5个一阶统计量和2个灰度游程矩阵（GLRLM）特征。

• 深度学习模型：VGG19的热力图显示肿瘤边界和低回声区为重要鉴别特征。

• 联合模型：R_E_Combined在外部验证集表现最优（准确率0.900，AUC 0.946），显著提升单一模型性能。

Discussion

研究创新点在于：

1. 临床意义：联合模型可替代多模态超声（如CEUS+RTE），降低检查成本；

2. 技术突破：首次证实VGG19的深层卷积层能捕捉PTMC的微小结构差异（如病灶异质性）；

3. 局限性：手动分割可能引入偏差，未来需开发自动分割算法。

Conclusions

深度学习-影像组学联合模型为PTMC的精准鉴别提供了高效工具，有望优化临床治疗策略，减少患者不必要的医疗负担。

（注：全文数据均源自原文，未新增结论；专业术语如GLRLM=Gray Level Run Length Matrix；模型缩写R_V_Combined指Radiomics+VGG19融合模型。）