基于CT影像组学和机器学习的甲状腺乳头状癌术后淋巴结复发诊断模型研究

本研究针对甲状腺乳头状癌(PTC)术后患者颈部淋巴结复发诊断难题，通过CT影像组学分析结合机器学习算法，构建了包含35个关键影像特征的诊断模型。研究团队采用LASSO回归、支持向量机(SVM)和随机森林(RF)三种算法开发预测模型，最终LASSO模型在验证集中表现出最优诊断效能(AUC=0.85)。通过整合临床风险因素(年龄、T分期、甲状腺球蛋白Tg等)与影像组学评分(Rad-score)，建立的联合诊断列线图将预测准确率提升至0.94。该研究为PTC术后淋巴结复发的无创诊断提供了新思路，对临床决策具有重要指导价值。

　　

甲状腺癌是全球增速最快的恶性肿瘤之一，其中乳头状癌(PTC)占比高达90%。虽然PTC预后较好，但5-20%患者术后会出现颈部淋巴结复发，这些"潜伏的杀手"可能显著影响治疗效果和生存质量。然而，临床上面临着棘手的诊断困境：术后炎症导致的淋巴结肿大与肿瘤复发难以区分，超声检查受限于探测深度，PET/CT虽准确但价格昂贵且有辐射风险，而穿刺活检对深部淋巴结又难以实施。

中山大学附属第六医院的研究团队创新性地将CT影像组学与机器学习相结合，对194例PTC术后患者(98例复发和96例无复发)的693个淋巴结(302个转移和391个良性)进行分析。研究通过3D Slicer软件勾画静脉期增强CT图像中的感兴趣区域(ROI)，利用Python的PyRadiomics包提取1075个影像特征，最终筛选出35个关键特征构建诊断模型。该研究成果发表在《BMC Cancer》杂志，为PTC术后管理提供了新的决策工具。

研究主要采用三大技术方法：(1)基于多中心640层动态容积CT的增强扫描技术；(2)使用3D Slicer软件进行ROI勾画和特征提取；(3)应用LASSO回归、SVM和随机森林三种机器学习算法构建预测模型。研究纳入患者术前临床数据(年龄、BMI、Tg、TgAb等)和术后病理确诊的淋巴结状态作为金标准。

研究结果

特征选择：从1075个初始影像特征中，通过t检验/U检验筛选出597个显著特征，再经LASSO回归和10折交叉验证最终确定35个最具判别力的特征。这些特征构成了影像组学模型的基础。

模型比较：三种机器学习模型中，LASSO回归在验证集表现最优(AUC=0.85)，优于SVM(0.83)和随机森林(0.79)。随机森林模型在训练集出现过拟合现象(AUC=0.98)，提示需要更大样本量优化。

临床因素分析：多变量分析显示，年龄≥55岁(OR=0.23)、T分期(T2期OR=222.95，T3期4.44，T4期30.16)、Tg>10 ng/mL(OR=0.11)和TgAb异常(OR=0.54)是淋巴结复发的独立预测因素。

联合模型效能：整合临床因素和影像组学特征的列线图模型展现出最佳诊断性能(AUC=0.94)，显著优于单独的临床模型(0.88)或影像模型(0.88)。校准曲线显示预测概率与实际观察值高度一致(Hosmer-Lemeshow检验p=0.8496)，决策曲线分析证实该模型具有临床实用价值。

这项研究开创性地建立了CT影像组学联合临床因素的PTC术后淋巴结复发预测体系。其重要意义在于：(1)提供了一种无创、经济的复发监测方案，可减少不必要的穿刺活检；(2)通过量化影像特征克服了传统影像学检查的主观局限性；(3)为高风险患者(如T3/T4期、Tg升高者)的个体化随访提供了科学依据。研究也存在单中心回顾性设计的局限性，未来需要通过多中心前瞻性研究进一步验证模型的普适性。该成果标志着甲状腺癌精准医疗迈出重要一步，为改善PTC患者预后带来了新希望。