基于临床及超声影像组学联合深度学习模型预测甲状腺结节良恶性

作者：万义墨; 宋鑫洋; 郭建峰; 郭**; 段鹏; 廉凯^*

来源：湖北医药学院学报, 2023, 42(06): 620-625.

DOI：10.13819/j.issn.2096-708X.2023.06.008

• 甲状腺癌
• 影像组学
• 深度学习

目的:构建基于临床及超声影像组学联合深度学习(DL)模型，并评估其预测甲状腺结节恶性风险的价值。方法:回顾性分析164例经手术证实初发甲状腺结节超声影像资料，将这些资料按照7∶3的比例分为训练集和测试集。采用t检验和χ2检验筛选恶性甲状腺结节的独立风险因素作为风险模型的临床特征。基于超声图像提取并筛选最佳影像组学特征以构建影像组学标签评分(Rad-score),提取并筛选最佳DL特征以构建DL标签评分(DL-score),并构建影像组学-DL模型。基于临床风险指标、Rad-score及DL-score尝试使用9种算法构建联合模型。绘制受试者工作特征(ROC)曲线，计算曲线下面积(AUC),评估各模型及甲状腺结节良恶性准确率的预测效能，应用决策曲线分析(DCA)对比不同模型的临床获益。结果:年龄、性别、边界的形状、回声类别为甲状腺恶性结节的独立风险因素。DCA显示XGboost联合模型的临床获益高于其他诊断模型。XGboost联合模型在9种模型中表现最优，高于logistics回归、朴素贝叶斯(Naive-Bayes)、支持向量机(Support Vector Machine, SVM)、K邻近算法(K-NearestNeighbor, KNN)、监督学习集成模型(Light Gradient Boosting Machine, LightGBM)、GradientBoosting、AdaBoost、前馈神经网络多层感知器(Multi-Layer Perceptron, MLP)模型，测试集AUC为0.93,随后建立影像组学列线图，能够方便准确地判断甲状腺结节良恶性。结论:基于临床及超声影像组学联合深度学习模型可有效预测甲状腺结节的良恶性。

• 单位
  襄阳市第一人民医院; 湖北医药学院