检索历史 清除

摘要一、研究目的<br>　　本研究旨在通过分析常规CT形态学特征和光谱CT定量参数，通过机器学习构建预测甲状腺良恶性结节的预测模型，以提高甲状腺结节良恶性鉴别的诊断效能。本研究内容包括两部分:第一部分通过分析甲状腺结节的常规CT形态学特征改变及光谱CT定量参数结果，探讨两者在鉴别甲状腺良恶性结节中的关系。第二部分通过提取甲状腺结节的形态学特征及光谱定量参数，分别构建决策树、随机森林、极端梯度提升、逻辑回归、支持向量机、K最近邻六种学习模型，预测甲状腺结节的良恶性，以准确度、敏感度、特异度等作为评价指标，对各模型的预测效能进行比较，以AUC值为主要评价指标分别择出最优模型，在最优模型中加入可解释技术SHAP值，观察每个特征对模型输出的贡献值和影响关系。<br>　　二、研究方法<br>　　1、病例资料<br>　　回顾性分析2021年9月至2022年12月在南方医科大学深圳医院就诊患有甲状腺结节的185例患者的临床及影像学资料，男性患者51例，女性患者134例，年龄为25-73岁，平均年龄为46.3±12.55岁，均有完整的病理结果。<br>　　2、图像分析<br>　　本研究首先由三位高年资医师对常规CT和光谱CT图像进行分析，提取甲状腺结节的影像学特征。常规CT形态学特征包括结节的纵横径比、结节内有无钙化、结节形态是否规则、是否存在咬饼征及增强扫描后结节病灶范围的变化。光谱CT定量参数基于动、静脉扫描的数据进行处理，主要参数包括单能级CT值、有效原子序数值及碘浓度值等。<br>　　3、模型的构建<br>　　基于有统计学差异的影像形态学特征及光谱定量参数构建DT、RF、XGBoost、LR、SVM、KNN学习模型预测甲状腺结节的性质，以AUC值为预测效能的评价指标，在最优模型中加入可解释技术SHAP值，分析不同特征对模型决策的贡献度。<br>　　4、统计学方法<br>　　数据采用SPSS23.0软件进行分析。计数资料以频数n表示，采用x2检验或Fisher确切概率法;符合正态分布的计量资料以x±s表示，采用独立样本t检验，不符合正态分布的计量资料以中位数(四分位距)表示，采用非参数Mann-Whitney U检验。P＜0.05认为差异有统计学意义。采用logistic回归分析评价光谱CT下结节的形态学特征、光谱CT定量参数的诊断价值，根据病理结果绘制ROC曲线并以AUC值分别评价形态学特征、光谱CT定量参数以及两者联合下的诊断效能。学习模型以AUC值、准确度、敏感度、特异度为评价指标，比较各学习模型的预测效能。采用Delong检验进一步分析各模型的AUC值。<br>　　三、研究结果<br>　　(1)在对光谱定量参数进行分析时，动脉期斜率及动脉期及静脉期的碘浓度和标准化碘浓度等10个定量参数存在统计学差异。影像学形态特征分析表明，甲状腺结节的纵横径比大于1、存在咬饼征以及增强扫描后结节病灶范围的模糊或缩小在鉴别甲状腺良恶性结节中具有较好的诊断价值。影像形态学特征与光谱CT定量参数在甲状腺良、恶性结节鉴别诊断中都有着良好的诊断效能，前者诊断效能略高，将两者结合进行分析，能够进一步提升鉴别的诊断效能。(2)基于形态学特征及光谱定量参数构建的机器学习模型中，光谱定量参数模型和融合模型的最优模型均为XGBoost,AUC值分别为0.812和0.942,预测效能良好。影像形态学特征模型的最优模型为逻辑回归LR，AUC值为0.829。各模型的准确度、敏感度和特异度均在0.7以上。融合模型的诊断效能最佳，具有较高的AUC值和敏感度，能够更有效地鉴别甲状腺结节的良恶性。通过SHAP值分析，咬饼征、动脉期有效碘浓度及增强扫描后结节病灶范围的变化对模型决策的贡献度最大。<br>　　四、结论<br>　　常规CT形态学特征在鉴别甲状腺结节良恶性中具有重要的诊断价值，特别是咬饼征和增强扫描后结节病灶范围的变化。在光谱CT定量参数方面，恶性结节的双期增强扫描结果普遍低于良性结节，动脉期单能级100KeV的CT值具有最佳的诊断效能。基于这些特征构建的机器学习模型在预测甲状腺结节的良恶性方面表现出较高的可靠性和准确性，其中融合模型的效能最佳。通过SHAP值分析，还揭示了模型决策背后的关键特征，增强了模型的透明性和可解释性，证实机器学习模型在甲状腺结节良恶性鉴别中具有较高的应用潜力。