通过整合人工智能（AI）驱动的多模态分析改进甲状腺乳头状癌侧颈淋巴结转移的超声诊断

《Journal of Zhejiang University-SCIENCE B》：Improved ultrasound diagnosis of lateral lymph node metastasis in papillary thyroid carcinoma through integrated artificial intelligence (AI)-driven multimodal analysis

【字体：大中小】 时间：2026年10月27日 来源：Journal of Zhejiang University-SCIENCE B 5.7

编辑推荐：

　　摘要目的乳头状甲状腺癌（PTC）中的侧颈淋巴结转移（LLNM）显著影响 PTC 的预后和治疗策略。本研究旨在开发并验证一种多模态人工智能（AI）驱动的综合模型，通过结合临床数据、放射组学特征和基于深度学习的图像特征来预测 LLNM。方法将 1566 名患者队列分为训练集、验证

摘要

目的

乳头状甲状腺癌（PTC）中的侧颈淋巴结转移（LLNM）显著影响 PTC 的预后和治疗策略。本研究旨在开发并验证一种多模态人工智能（AI）驱动的综合模型，通过结合临床数据、放射组学特征和基于深度学习的图像特征来预测 LLNM。

方法

将 1566 名患者队列分为训练集、验证集和测试集。为了基于肿瘤侵袭性特征间接评估 LLNM 风险，从甲状腺原发肿瘤的超声图像中提取放射组学特征，并使用最小绝对收缩和选择算子（LASSO）回归进行选择，以构建支持向量机（SVM）模型。临床变量用于逻辑回归。表征甲状腺原发结节的深度学习特征来源于 TResNet 模型，并将这些预测整合到多模态模型中，使用受试者工作特征（ROC）曲线进行评估。

结果

综合模型的表现优于单个模型，在训练集（0.984）、验证集（0.943）和测试集（0.951）中均达到了最高的曲线下面积。SHapley 加和解释（SHAP）分析确定了关键预测因子，如 TResNet 评分、基于 SVM 的放射组学特征、肿瘤大小、位置、性别和甲状腺球蛋白抗体水平。引入该模型后，各级超声医生（初级、中级和高级）的诊断准确性均得到提高，敏感性、特异性和信心均有显著改善。

结论

提出的 AI 驱动的综合模型通过分析甲状腺原发肿瘤特征来预测 LLNM 风险，在 PTC 患者的 LLNM 风险分层中展现了稳健的预测性能和临床实用性。与单个模型相比，它显著提高了诊断准确性，提供了一种无创、个性化的工具以支持临床决策。

目的

乳头状甲状腺癌（PTC）中的侧颈淋巴结转移（LLNM）显著影响 PTC 的预后和治疗策略。本研究旨在开发并验证一种多模态人工智能（AI）驱动的综合模型，通过结合临床数据、放射组学特征和基于深度学习的图像特征来预测 LLNM。

方法

将 1566 名患者队列分为训练集、验证集和测试集。为了基于肿瘤侵袭性特征间接评估 LLNM 风险，从甲状腺原发肿瘤的超声图像中提取放射组学特征，并使用最小绝对收缩和选择算子（LASSO）回归进行选择，以构建支持向量机（SVM）模型。临床变量用于逻辑回归。表征甲状腺原发结节的深度学习特征来源于 TResNet 模型，并将这些预测整合到多模态模型中，使用受试者工作特征（ROC）曲线进行评估。

结果

综合模型的表现优于单个模型，在训练集（0.984）、验证集（0.943）和测试集（0.951）中均达到了最高的曲线下面积。SHapley 加和解释（SHAP）分析确定了关键预测因子，如 TResNet 评分、基于 SVM 的放射组学特征、肿瘤大小、位置、性别和甲状腺球蛋白抗体水平。引入该模型后，各级超声医生（初级、中级和高级）的诊断准确性均得到提高，敏感性、特异性和信心均有显著改善。