用于术前鉴别Hürthle细胞癌与腺瘤的可解释机器学习：SHAP增强方法

《Frontiers in Endocrinology》：Interpretable machine learning for presurgical differentiation of Hürthle cell carcinoma and adenoma: a SHAP-augmented approach

　　

摘要背景：良性Hürthle细胞腺瘤（HCA）与恶性Hürthle细胞癌（HCC）的术前鉴别在临床上仍然具有挑战性。本研究旨在构建一种可解释机器学习框架，以提高诊断准确性并辅助临床决策。

方法：研究人员回顾性纳入单中心554例患者，其中HCA 280例、HCC 274例。研究纳入15项临床、血清学及超声变量。经最小绝对收缩与选择算子（LASSO）和随机森林（Random Forest, RF）算法严格筛选特征后，训练并采用10折交叉验证评估4种先进机器学习模型及逻辑回归（Logistic Regression, LR）模型。采用SHapley Additive exPlanations（SHAP）和个体条件期望（Individual Conditional Expectation, ICE）轨迹对最优模型进行全局与局部解释。

结果：XGBoost模型表现出最佳判别性能，受试者工作特征曲线下面积（Area Under the Curve, AUC）为0.911，显著优于LR模型（AUC = 0.746）。决策曲线分析证实其具有更高的临床净获益。SHAP分析揭示了算法“黑箱”机制，确定血流分级、晕环征缺失及血清甲状腺球蛋白（thyroglobulin, Tg）升高为最主要的恶性预测因子。此外，面向特定患者的ICE轨迹成功模拟了误分类病例中的反事实临床推理过程。

结论：SHAP增强的XGBoost框架能够为Hürthle细胞肿瘤提供高准确度、透明且个体化的术前风险分层，具有减少不必要诊断性甲状腺切除术的潜力。

该研究发表于《Frontiers in Endocrinology》，聚焦于Hürthle细胞腺瘤（HCA）与Hürthle细胞癌（HCC）的术前鉴别这一长期存在的临床难题。Hürthle细胞肿瘤在细针穿刺活检中往往具有高度重叠的细胞学表现，而HCC的确诊依赖包膜和/或血管侵犯的组织病理学证据，这意味着单纯细胞学无法完成良恶性区分。由此，临床上常需通过诊断性半侧甲状腺切除或全甲状腺切除来排除恶性，导致相当比例的良性HCA患者接受不必要手术，不仅增加医疗系统负担，也使患者面临喉返神经损伤及甲状旁腺功能永久受损等围手术期风险。围绕甲状腺结节恶性风险的术前识别，既往已有研究尝试从临床人口学特征、血清学指标及影像学表现中寻找可靠预测因子，但传统模型多依赖逻辑回归，受限于线性假设，难以充分捕捉多维临床数据中的非线性关联与阈值效应，因而诊断性能及临床适用性有限。近年来，以XGBoost、随机森林（RF）为代表的集成学习在复杂医学数据建模中显示出优势，但其“黑箱”属性又限制了临床决策支持系统中的推广。因此，构建兼具高判别力与可解释性的机器学习模型，成为该研究开展的直接动因。

基于此，研究人员开展了一项单中心回顾性观察研究，纳入2014年1月至2023年12月于云南省第一人民医院接受诊断性或治疗性甲状腺切除术、且术后经两位独立病理医师依据世界卫生组织标准明确诊断为HCA或HCC的患者。研究最终纳入554例病例，其中HCA 280例、HCC 274例。研究人员系统收集术前1个月内的15项变量，覆盖临床人口学、血清学和高分辨率超声信息，意在通过多模型比较建立HCA与HCC的术前鉴别框架，并结合SHAP与个体条件期望（ICE）轨迹，实现模型全局和个体层面的可解释分析。研究结果表明，XGBoost模型在判别能力、稳定性和临床净获益方面均优于逻辑回归等对照模型；同时，SHAP分析明确了血流分级、晕环征状态、Tg水平、钙化模式及结节大小等关键风险驱动因素。整体而言，该研究的重要意义在于：不仅提高了Hürthle细胞肿瘤术前风险分层的准确性，还通过解释工具将复杂算法转化为临床可理解的证据链，为减少不必要诊断性甲状腺切除术提供了方法学支持。

在技术方法方面，研究采用单中心回顾性队列设计，样本来源于云南省第一人民医院手术患者。数据按分层抽样分为训练集70%与独立测试集30%，并在分割后完成Z评分标准化与独热编码以避免数据泄漏。特征筛选采用LASSO、RF特征重要性排序及递归特征消除（RFE）联合验证，最终保留11项关键变量。随后构建XGBoost、LightGBM、RF、支持向量机（SVM）及逻辑回归模型，基于训练集进行超参数优化与10折交叉验证，并在测试集中以AUC-ROC、AUPRC、灵敏度、特异度、F1值、校准曲线和决策曲线分析（DCA）进行综合评估。最优模型进一步通过SHAP总结图、依赖图、瀑布图和ICE轨迹实现全局与局部解释。

3.1 基线特征与探索性数据分析
研究共纳入554例经病理确诊的Hürthle细胞肿瘤患者，HCA与HCC病例数基本均衡。基线比较显示，HCC组患者年龄显著高于HCA组，提示高龄与恶性风险相关；体重指数（BMI）在恶性组也更高，而性别差异无统计学意义。超声方面，HCC组结节最大径明显大于HCA组，提示结节体积相关特征可能具有区分价值。钙化分布存在显著差异：微钙化在HCC中更常见，而HCA以无钙化更常见。血清学方面，HCC组术前Tg水平显著升高，且TSH、FT₃、FT₄、TgAb、TPOAb等指标在两组间亦存在统计学差异。Pearson相关矩阵显示15项变量之间多重共线性较低，满足后续机器学习建模的数据结构要求。该部分结果说明，HCA与HCC在临床、实验室及超声多维信息上存在可量化差异，为后续模型学习提供了基础。

3.2 特征选择与降维
为避免高维变量带来的冗余与过拟合，研究人员采用多算法联合特征筛选策略。首先，LASSO回归在10折交叉验证下确定最优惩罚参数λ，并将冗余特征系数压缩至0，获得关键预测因子子集。随后，研究使用RF从非线性角度进行交叉验证，依据Mean Decrease Gini评估变量重要性，结果显示血流分级最关键，其次为血清Tg、钙化模式、晕环征状态及结节大小。RFE进一步显示，采用11项特征时模型准确率达到平台期，增加更多变量并未带来显著增益。单因素逻辑回归分析则从传统流行病学视角补充证据：升高的Tg、微钙化、晕环征缺失及回声不均均与HCC高风险显著相关。主成分分析（PCA）进一步表明，基于高排名特征可在二维空间形成HCA与HCC相对可分离的聚类结构。该部分说明，研究保留的特征具有统计稳健性、临床相关性及良好的类别区分潜力。

3.3 机器学习模型构建与评估
在完成特征筛选后，研究人员基于精炼后的预测变量分别构建XGBoost、LightGBM、RF、SVM及逻辑回归模型，并在独立测试集中评价其性能。结果显示，XGBoost模型具有最优判别效能，AUC达到0.911，明显优于逻辑回归的0.746；其AUPRC也最高，提示模型在临床样本可能存在类别不均衡的情境下仍具备较强稳定性。决策曲线分析显示，XGBoost在大多数阈值概率范围内均获得最高净获益，说明若按该模型指导进一步干预，相较“全部治疗”或“全部不治疗”策略更具临床价值。混淆矩阵进一步表明，XGBoost能够较准确识别HCC与HCA病例，误判数量处于可接受范围。10折交叉验证显示其AUC中位数约为0.90，且折间波动最小，反映模型泛化稳定性较好。校准分析也提示XGBoost预测概率与真实HCC发生比例之间具有较高一致性，而逻辑回归在中等风险区间偏差较明显。综合判别力、稳定性与临床实用性，XGBoost被确定为后续解释分析的最优模型。

3.4 基于SHAP的最优XGBoost模型全局可解释性
为揭示XGBoost的决策逻辑，研究引入SHAP进行全局解释。SHAP特征重要性排序显示，影响HCC与HCA鉴别的前五位因素依次为血流分级、晕环征缺失、血清Tg水平、钙化模式及结节大小，这一结果与RF重要性排序高度一致，增强了变量层级的可信度。SHAP总结图进一步显示，高血流分级、高Tg水平和高风险钙化模式的特征值通常推动SHAP值向正方向变化，即提升恶性预测概率；相反，低水平相关特征则更偏向良性预测。依赖图则揭示了若干关键变量的非线性阈值效应：血流分级在Grade 2与Grade 3时恶性风险贡献明显升高，而Grade 0与Grade 1多与较低风险相关；晕环征缺失显著推动模型向恶性方向判定；Tg经log₁₀转换后显示出随浓度升高而单调上升的风险贡献，且在约100 ng/mL以上风险明显增加，极高值区域趋于平台；钙化模式则呈递进式风险分层，其中微钙化恶性风险最高，宏钙化次之，无钙化则具有保护性倾向。该部分表明，XGBoost不仅识别了临床熟知的重要因素，还能捕捉传统线性模型难以反映的复杂非线性关系。

3.5 局部可解释性与患者特异性“What-If”分析
除全局规律外，研究还关注模型在个体层面的推理过程。通过SHAP瀑布图，研究人员选取真阳性、真阴性、假阳性和假阴性代表病例进行展示。真阳性病例中，晕环征缺失与Grade 2血流是推动恶性预测的主要因素，并与高Tg和宏钙化共同形成协同效应；真阴性病例则因Grade 0血流及完整晕环征产生显著保护作用，使预测落入良性范围。对误分类病例的分析显示，假阳性病例中Grade 2血流和晕环征缺失主导模型偏向恶性，而无钙化和较小结节大小虽有保护作用，但不足以抵消累积风险；假阴性病例则因Grade 1血流与无钙化掩盖了潜在恶性，尽管TSH升高对恶性预测有一定推动作用。进一步地，研究利用ICE轨迹对假阳性病例开展“What-If”模拟，在其他变量保持不变时连续改变结节大小，观察恶性预测概率如何变化。结果显示该关系具有明显非线性：患者实际结节大小2.2 cm时，预测概率位于50.6%的诊断边界附近，处于灰区；若结节稍增大至3.5 cm以上，模型预测恶性概率可急剧升高，而若结节小于2.0 cm则更可能归入良性。该部分说明，ICE分析不仅可用于解释误分类来源，还可帮助临床理解模型的决策边界与边缘病例风险分布，但其解释对象是模型数学行为，而非直接生物学因果。

讨论部分总结
研究讨论指出，HCC与HCA术前鉴别困难的根本原因在于细针穿刺细胞学无法识别包膜或血管侵犯，而本研究构建的可解释机器学习平台显示，结合SHAP的XGBoost在整合复杂非线性临床与超声预测因子方面，明显优于传统逻辑回归。其优势不仅体现在AUC和AUPRC等统计指标上，还通过DCA证实能够转化为更高的临床净获益。讨论进一步强调，本研究的关键贡献之一在于缓解高级机器学习的“黑箱”困境。SHAP结果表明，血流分级、晕环征缺失及Tg升高是最敏感的恶性指示因素，这与HCC的病理定义具有一致性：晕环征缺失可对应肿瘤对纤维包膜的破坏，高血流可对应侵袭性血管生成，显著升高的Tg则可能反映恶性Hürthle细胞的破坏性增殖与功能活跃。讨论还指出，Tg等变量存在明显阈值效应，这是逻辑回归线性框架难以充分刻画的。此外，ICE轨迹为误分类和边缘病例提供了反事实层面的解释，有助于临床从静态风险评分迈向动态边界理解。与此同时，作者也审慎指出研究局限：其一，回顾性单中心设计可能引入选择偏倚并限制外推性，且由于Hürthle细胞肿瘤相对少见及15维数据要求严格，当前未能进行外部验证或时间验证；其二，模型尚未纳入分子标志物或基因组学信息，未来多组学整合可能进一步提升诊断性能；其三，SHAP值与ICE轨迹解释的是模型内部预测行为，并不建立确定的生物学因果关系，而且ICE在单变量变化时默认其他变量不变，可能生成与真实生理演化并不完全一致的合成情境。因此，这些解释工具应被视为临床判断的补充，而非替代。

研究结论翻译
总之，本研究构建并验证了一种可解释机器学习模型，结果显示XGBoost算法可显著提升Hürthle细胞癌（HCC）与Hürthle细胞腺瘤（HCA）的术前鉴别能力。通过整合非线性的临床、血清学和超声特征，该模型在判别效能和临床净获益方面均优于传统逻辑回归。此外，SHAP分析与个体条件期望（ICE）轨迹的引入，有效揭示了算法“黑箱”特征，为临床医师提供了透明、患者特异性的反事实推理，而不仅是静态概率评分。尽管这些结果提示该高级机器学习框架有望减少不必要的诊断性甲状腺切除术，但鉴于本研究采用回顾性单中心设计，相关结论仍需谨慎解读。在其作为辅助决策模型进入临床应用之前，仍需结合分子分型开展进一步的前瞻性多中心研究，以对该诊断框架进行外部验证和优化。