基于超声造影的影像组学联合模型预测甲状腺结节良恶性的价值

摘要

目的 建立基于超声影像组学结合临床参数、常规超声特征的联合模型，并验证其预测甲状腺结节良恶性的价值。方法 回顾性纳入经病理证实的患者209例，甲状腺结节237个，按8∶2随机分为训练集(190个结节)和验证集(47个结节)。使用Pyradiomics提取影像组学特征，应用最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)进行特征筛选，应用k近邻(k-nearest neighbor, KNN)机器学习算法构建影像组学模型。采用单因素和多因素Logistic回归分析筛选临床参数与常规超声特征，将多因素Logistic回归分析出的危险因素纳入k近邻机器学习算法构建临床预测模型。使用筛选后的影像组学特征与多因素Logistic回归分析出的危险因素构建联合模型。通过受试者工作特征(receiver operating characteristic, ROC)曲线比较各模型的诊断效能。结果 多因素Logistic回归结果显示，微钙化、垂直位、年龄为鉴别甲状腺良恶性结节的独立危险因素(OR=6.082、13.761、0.938,均P<0.001),使用上述危险因素构建临床预测模型，其训练集与测试集曲线下面积(area under the curve, AUC)分别为0.881、0.704。使用LASSO算法降维筛选到的6个关键影像组学特征建立超声影像组学模型，其训练集与测试集AUC分别为0.830、0.819。使用多因素Logistic回归分析出的危险因素与影像组学评分构建联合诊断模型，其训练集及验证集的AUC分别0.939、0.854,诊断效能优于单一临床预测模型或超声影像组学模型。决策曲线图显示联合模型具有较好的临床应用价值。校准曲线显示联合模型与理想模型的拟和度较好。结论 基于超声造影的影像组学联合临床参数、超声特征所构建的联合模型可有效的鉴别甲状腺良恶性结节。

关键词

甲状腺结节 / 影像组学 / 列线图 / 超声 / 人工智能