超声生境影像组学融合模型预测甲状腺乳头状癌淋巴结转移

摘要

目的 构建整合超声生境影像组学特征、临床参数和免疫学标志物的多模态融合模型，用于术前评估临床淋巴结阴性（c N0）甲状腺乳头状癌（PTC）患者的中央区淋巴结转移（CLNM）风险。方法 回顾性分析2022年1月至2024年6月在常州市第一人民医院和徐州市中心医院诊治的748例PTC患者临床资料，按约7∶3的比例随机分配到训练组（n=404）和内部验证组（n=179），另设外部验证组（n=165）。采用超像素过度分割和K-means聚类算法识别超声图像中3个不同生境，从各生境中提取放射组学特征并经三步法筛选。多因素Logistic回归分析临床和免疫学参数，运用早期融合、晚期融合和集成融合3种策略整合各模态数据构建机器学习模型。结果 多因素Logistic回归分析显示，存在桥本甲状腺炎是CLNM的保护因素（OR=0.357,95%CI:0.146～0.873,P=0.024），多灶性（OR=2.627,95%CI:1.142～6.039,P=0.023）和系统免疫炎症指数升高（OR=1.002,95%CI:1.001～1.003,P<0.001）是独立危险因素。超声生境分析中，生境3（低回声不均质区域）与CLNM关联最强。集成融合投票分类器在预测CLNM中表现最优，在训练集、内部验证集和外部验证集中受试者操作特征（ROC）曲线下面积（AUC）分别为0.98(95%CI:0.96～0.99)、 0.98(95%CI:0.96～0.99)和0.97(95%CI:0.95～0.99)，准确率分别为0.93、0.95和0.86，灵敏度和特异度均超过0.85。结论 多模态生境影像融合模型为术前评估cN0 PTC患者的CLNM风险提供了准确、可解释的工具，有望改善临床决策并优化个体化治疗策略。

关键词

甲状腺乳头状癌 / 中央区淋巴结转移 / 生境影像学 / 影像组学 / 多模态融合 / 机器学习