基于影像组学和临床特征的机器学习术前评估桥本甲状腺炎合并甲状腺乳头状癌颈部淋巴结转移的初步研究

摘要

目的 利用机器学习（machine learning, ML）模型分析桥本甲状腺炎（Hashimoto thyroiditis, HT）合并甲状腺乳头状癌（papillary thyroid carcinoma, PTC）患者的甲状腺肿瘤的二维超声图像提取的影像组学和临床特征，探讨其术前无创识别该类患者颈部淋巴结转移（lymph node metastasis, LNM）的能力。方法 纳入HT合并PTC患者528例，以病理结果为金标准划分为存在颈部淋巴结转移组和不存在颈部淋巴结转移组，由3名医生独立勾画感兴趣区，提取感兴趣区的影像组学特征，以影像组学特征和影像组学特征结合临床特征2种模式构建随机森林（random forest, RF）、支持向量机（support vector machine, SVM）、LightGBM、K邻近算法（K-nearest neighbor, KNN）和XGBoost模型，在测试集上绘制受试者操作特征（receiver operating characteristic, ROC）曲线评价5种机器学习模型的2种模式的性能，并使用SHapley可加性解释（SHapley Additive exPlanations, SHAP）对模型进行可视化。结果 5种机器学习模型均具有较好的性能，ROC曲线下面积（area under curve, AUC）为0.798～0.921，其中LightGBM和XGBoost性能最佳，优于其他模型（P<0.05）。影像组学特征结合临床特征构建的机器学习模型优于仅使用影像组学特征构建的模型（P<0.05）。SHAP对性能最佳的模型可视化表明，前后径、上下径、original＿shape＿VoxelVolume、年龄、wavelet-LHL＿firstorder＿10Percentile和左右径对LightGBM的影响最显著；上下径、前后径、左右径、original＿shape＿VoxelVolume、original＿firstorder＿InterquartileRange和年龄对XGBoost的影响最显著。结论 基于影像组学和临床特征的机器学习模型能够准确地评估HT合并PTC患者颈部淋巴结状态。在5种机器学习模型中，LightGBM和XGBoost的评估性能最佳。

关键词

甲状腺乳头状癌 / 桥本甲状腺炎 / 机器学习 / 影像组学