基于机器学习的单侧甲状腺乳头状癌对侧隐匿癌及中央区淋巴结转移预测模型构建

这篇研究通过7种机器学习算法构建预测模型，创新性地利用术前临床病理和影像特征（BMI、超声包膜侵犯、恶性结节数量/SLD、峡部恶性结节等）预测单侧PTC患者的对侧隐匿癌（OTC）和中央区淋巴结转移（CLNM≥5）。Logistic回归模型表现最优（AUC 0.74-0.75），为手术方案选择（全切TT/叶切TL）提供量化依据，实现个体化治疗平衡肿瘤控制与功能保留。

　　

背景

甲状腺癌（TC）作为内分泌系统高发恶性肿瘤，其中乳头状癌（PTC）占比达85-90%。尽管多数PTC预后良好，但手术范围争议持续存在——全甲状腺切除术（TT）可降低复发风险但伴随永久性甲减等并发症，而甲状腺叶切除术（TL）虽保留功能却可能遗漏对侧隐匿癌（OTC）或中央区淋巴结转移（CLNM）。当前指南依赖术后病理指标（如血管侵犯、淋巴结转移≥5枚）决策，但术前精准预测仍是临床难点。

方法

研究纳入华中科技大学同济医学院附属协和医院2020-2025年2012例术前超声提示单侧恶性结节（Bethesda V-VI级）并行TT+中央区清扫（CLND）的PTC患者。通过7种算法（决策树DT、弹性网络ENet、逻辑回归等）构建预测模型，采用五折交叉验证和网格搜索优化参数。评估指标包括ROC曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）。

关键发现

1. 1.

   OTC预测模型

   28.4%患者检出OTC（76.9%病灶<2mm被超声遗漏）。逻辑回归筛选出5个独立预测因子：

   • •

     BMI（OR 1.12）

   • •

     峡部恶性结节（OR 2.45）

   • •

     单侧恶性结节数量（OR 3.02）

   • •

     结节最大径总和（SLD）（OR 1.87）

   • •

     包膜侵犯（OR 2.31）

     训练集AUC达0.740，验证集0.703。SHAP分析显示结节数量与SLD贡献度最高。

2. 2.

   CLNM≥5预测模型

   35.5%患者存在高危CLNM（≥5枚）。预测因子包括：

   • •

     年龄<45岁（OR 1.68）

   • •

     男性（OR 1.92）

   • •

     合并慢性淋巴细胞性甲状腺炎（CLT）（OR 0.61）

   • •

     超声特征：峡部邻近恶性结节、SLD>2cm、微钙化

     模型AUC训练集0.750，验证集0.706。值得注意的是，OTC与CLNM≥5显著相关（p<0.05）。

临床转化

研究提出风险分层快速评分系统：

• •

  低风险（OTC 0-3分/CLNM 0-6分）：推荐TL

• •

  高风险（OTC 8-13分/CLNM 11-21分）：建议TT

  动态列线图工具（https://model1.shinyapps.io/dynnomapp/）可实时计算个体风险。

病理模型拓展

针对TL术后患者，LASSO+随机森林（RF）构建的病理模型识别5个预测因子：

1. 1.

   癌灶数量（Gini重要性评分最高）

2. 2.

   癌灶SLD

3. 3.

   峡部癌

4. 4.

   腺内播散

5. 5.

   甲状腺外侵犯（ETE）

   该模型AUC达0.762，指导术后TSH抑制强度和随访频率。

讨论

研究突破在于：

1. 1.

   首次同步预测OTC和CLNM双终点

2. 2.

   完全基于术前可用指标（超声+临床）

3. 3.

   机器学习优化传统逻辑回归性能

   局限性包括回顾性设计及Bethesda V-VI级结节的选择偏倚。未来需拓展至III类（AUS）结节验证。

这项研究为单侧PTC（尤其多灶性）提供了循证手术决策工具，通过量化风险避免低风险患者过度治疗（TL组384例本可避免TT），同时为高风险患者明确TT指征，实现从"经验医学"到"精准医学"的跨越。