摘要目的 旨在利用 3D Slicer软件对甲状腺影像报告与数据系统(TI-RADS)4 类甲状腺结节进行三维重建和影像组学特征提取,构建术前诊断模型,以提高甲状腺结节良恶性鉴别的准确性,为临床决策提供可靠依据.方法 本研究为回顾性研究,收集经过超声检查诊断为TI-RADS 4 类甲状腺结节并具有明确病理结果的 344 例患者的临床资料.通过CT影像数据,使用 3D Slicer软件进行三维重建,提取影像组学特征,并结合机器学习方法构建诊断模型.利用受试者工作特征曲线(ROC)对模型性能进行评估,计算其曲线下面积(AUC),评估模型的预测效能.结果 344 例TI-RADS 4 类甲状腺结节患者,其中恶性结节患者 192 例(55.81%),良性结节患者 152 例(44.19%).良恶性结节患者性别分布上差异无统计学意义(P>0.05),但良恶性结节患者年龄、结节大小、促甲状腺激素(TSH)水平存在显著性差异(P<0.05).恶性结节的体积显著大于良性结节,边界清晰度评分、密度不均匀性、表面粗糙度评分、CT值均显著高于良性结节,存在显著性差异(P<0.05).纵横比>1[OR=2.563,95%CI=(1.090,6.025)]、实性成分[OR=1.856,95%CI=(1.077,3.199)]、低回声和极低回声[OR=3.326,95%CI=(1.188,9.314)]、边缘模糊[OR=3.968,95%CI=(1.274,12.353)]及环状钙化或微小钙化[OR=3.425,95%CI=(1.264,9.281)]均为甲状腺结节良恶性鉴别的独立预测因子(P<0.05).依据多因素分析结果,构建了甲状腺结节良恶性鉴别的预测模型.ROC分析结果显示,纵横比>1、低回声和极低回声、实性成分、边缘模糊、环状钙化或微小钙化及以上预测模型的P值用于甲状腺结节良恶性鉴别诊断的AUC分别为 0.723、0.756、0.798、0.812、0.845 和 0.932.结论 结合 3D Slicer软件进行三维重建和影像组学特征提取,结合机器学习技术,能够显著提高TI-RADS 4 类甲状腺结节的术前诊断准确性,为临床鉴别诊断良恶性结节提供了更为可靠的决策支持.