打开文本图片集

课题名称：基于深度学习的多模态超声征象联合血清学指标预测甲状腺癌转移的可行性研究

课题来源：齐齐哈尔市科技计划联合引导项目

课题编号：LSFGG-2024013

第一作者：卜艳玲，性别：女，出生年月：1983年8月，学历：硕士，职称：副主任医师；专业：医学影像学，研究方向：超声诊断学

摘要：目的：评估多模态超声征象联合血清学指标在预测甲状腺乳头状癌（PTC）淋巴结转移（LNM）方面的功效。方法：别回顾性选取2020.01～2022.12于我院确诊的183例甲状腺癌患者作为研究对象。使用单变量分析和多因素逻辑回归模型来确定与临床特征相关的独立危险因素。建立多模态超声模型和结合临床特征的多模态超声模型。使用受试者工作特征（ROC）曲线评估模型的预测性能。结果：多因素回归分析显示，肿瘤直径、SII是PTC患者淋巴结转移的独立预测因素。ROC曲线显示基于6个特征构建的预测超声影像组模型在训练集和验证集诊断PTC患者淋巴结转移的AUC均显著低于超声影像组结合临床特征模型在训练集和验证集诊断PTC患者淋巴结转移的AUC，差异具有统计学意义（P<0.05）。结论：多模态超声征象联合血清学指标能够较好地预测PTC患者的LNM。

关键词：多模态超声征象；血清学指标；甲状腺癌；转移，预测

甲状腺癌作为最常见的内分泌恶性肿瘤，超过五分之四的新病例是甲状腺乳头状癌（PTC）。由于其侵袭性和转移性特点，以及早期诊断不佳，PTC的预后仍然是致命的[1。迄今为止，手术仍是治疗甲状腺乳头状癌的首选，但颈部淋巴结的治疗仍存在争议。虽然甲状腺乳头状癌被认为是惰性肿瘤，但部分癌细胞会转移至甲状腺周围的淋巴结，包括中央淋巴结和颈侧淋巴结。因此，择期手术前合理、准确地评估淋巴结转移（LNM）对于改善患者预后具有重要意义。

多模态图像组学技术有助于以高通量方式从现有医学图像中提取大量图像特征。应用自动数据表征算法将感兴趣区域 （ROI） 的图像数据转换为高分辨率特征数据。可以有效地挖掘这些数据来构建临床预测模型，为疾病的诊断和治疗提供更全面和补充的信息。但多模态超声技术在确定状腺癌转移风险方面尚无深入研究。最近研究[2]发现肿瘤生态系统和免疫微环境可以影响PTC的发生和发展。基于此，本研究拟通过提取PTC患者的超声图像特征来建立模型。探讨多模态超声征象联合免疫血清学指标对PTC患者LNM的临床意义，旨在为甲状腺癌的无创诊断和治疗提供有效指导。

1资料与方法

1.1一般资料

通过纳入、排除标准分别回顾性选取2020.01～2022.12于我院确诊的183例甲状腺癌患者作为研究对象，根据患者术后淋巴结病理结果评估患者是否发生淋巴结转移，将所有患者分为淋巴结转移组和未转移组。其中未转移组100例，男46例，女54例，年龄在22-65岁之间，平均年龄（42.44±8.63）岁，淋巴结转移组83例，男38例，女45例，年龄在21-63岁之间，平均年龄（43.37±9.01）岁，侧颈部淋巴结转移10例，中央区淋巴结转移73例，按照7：3的比例分配为训练集（128例）和测试集（55例）。

1.2仪器与方法

1.2.1图像采集和免疫学指标测定：采用Philips EPIQ 7及GE LOGIQ E11超声诊断仪，配备频率 5～12 MHz 线阵探头获取患者的超声图像数据。患者取仰卧位，头部向后倾斜，充分暴露颈部，探查颈部及甲状腺。术前1周早晨采集患者空腹外周血，采用Mindary BC-6800全自动血细胞分析仪及配套试剂对外周血细胞进行分类计数，计算NLR、MLR、WLR以及SII。

1.2.2超声影像组学特征提取和筛选：为了提高ROI勾画的效率和精度，采用了手动勾画和人工智能勾画的并行应用。分别采集肿瘤的最大横向直径和最大纵向直径，并保存至少两张清晰图像。采集的图像尽可能避开血管、神经和肋骨，最大限度地减少对图像的干扰，最大限度地提高图像质量。在图像轮廓处理之后，图像被输入到Pyradiomics软件中提取影像组学特征，所提取的特征包括一阶特征、形状特征、纹理特征等。为保证图像处理质量和可重复性，采用组内相关系数 （ICC）评估观察者内部和观察者间的一致性。1.2.3模型构建：基于训练集，采用LASSO方法识别的特定特征构建构建基于超声影像组学的预测模型，并于验证集验证其诊断效能。

1.3统计学方法

使用SPSS 26.0软件对数据进行分析，符合正态分布数据表示为平均值±标准差，独立样本t检验进行比较。计数数据以频数表示，采用卡方检验和Fisher检验验。构建多因素Logistic回归模型确定影响因素。通过受试者工作特征曲线（ROC）评估预测模型联合免疫血清学指标预测效能。当P< 0.05时，差异被认为具有统计学意义。

2结果

2.1临床资料的单因素和多因素Logistics回顾分析

单因素分析显示，转移组和未转移组在双侧肿瘤、多灶性、肿瘤直径、SII比较差异显著（P<0.05），在NLR、MLR、WLR比较差异不显著（P>0.05）。多因素回归分析显示，肿瘤直径（P < 0.001，OR：1.256，95% CI：1.112-1.299）、SII（P = 0.030，OR：1.007，95% CI：1.001-1.010）是PTC患者淋巴结转移的独立预测因素，见表1和表2。

2.2超声影像学特征提取及模型建立

本研究共提取967个超声影像组学特征，经t检验剔除891个差异无统计学意义的特征，保留ICC大于0.75的特征并用LASSO系数进行加权，最终确定了6个最佳特征，构建超声学模型和超声模型结合临床特征模型，并进行验证，ROC曲线显示基于6个特征构建的预测超声影像组模型在训练集和验证集诊断PTC患者淋巴结转移的AUC分别为0.762、0.740，均显著低于超声影像组结合临床特征模型在训练集和验证集诊断PTC患者淋巴结转移的0.872、0.852，差异具有统计学意义（P<0.05）。

3讨论

PTC作为一种惰性肿瘤，早期就会发生LNM，因此需要引起足够的重视。临床上，甲状腺切除术中淋巴结转移的决定通常取决于术前能否识别出疑似恶性的淋巴结。鉴于这种情况，不必要的淋巴结清扫会导致更多的喉返神经损伤，导致严重的术后并发症，影响PTC患者的预后和生活质量。因此，迫切需要采用预测方法进行准确的术前评估。

目前，术后病理学和免疫组织化学是评估这些风险的常用方法。然而，挑战在于通过非侵入性手段快速执行这些评估。超声善于清晰显示肿瘤的形态特征，其无创、快速、方便的特点使其被广泛认为是癌症癌筛查和评估诊断和治疗效果的首选检查，基于多模态影像组学技术的临床预测模型在疾病诊断中显示出巨大潜力。不同的影像组学技术适用于不同的疾病，例如，基于CT影像组学和深度学习的模型在胰腺癌淋巴结转移分期方面表现良好[3]，而对于神经系统疾病，MRI影像组学和深度学习模型具有更大的潜力[4]，本研究提取并建模了6个放射组学特征，从而得出训练集和验证集中分子分型预测模型各自的 AUC 值，结果显示超声影像组模型在训练集和验证集诊断PTC患者淋巴结转移的AUC分别为0.762、0.740，这些结果表明超声成像组学模型表现出很强的预测能力。近年来，许多研究表明免疫功能、炎症、肿瘤的发生密切相关。在本研究中，NLR、MLR、WLR对PTC中的LNM没有显著影响。连治琼等人分析了151名恶性肿瘤患者的不同指标，发现高SII是恶性肿瘤患者预后较差的预测因子[5]。 肖雨研究发现SII是预测中央淋巴结转移的标志物[6]。本研究首次发现高SII对于伴有LNM的PTC患者具有重要意义。结合以往的研究结果，这可能与PTC患者表现出中性粒细胞计数增加。中性粒细胞计数增加与多种炎症介质的释放相关，从而促进肿瘤的发展和肿瘤微环境的变化有关。多项研究报道[7]，肿瘤直径越大，PTC发生LNM的风险越高，这与本研究的结果一致。这些结果提示，肿瘤直径较大的PTC患者应接受严格的术前检查，同时评估LLNM状态，以避免误诊并降低术后局部复发的风险。本研究将临床特征与超声成像组学模型结合建立联合诊断模型，结果显示联合诊断模型在训练集和验证集诊断PTC患者淋巴结转移的AUC均显著高于超声成像组学模型，表明联合超声影像组学特征和临床特征的预测模型具有更高的诊断价值。

综上所述，多模态超声征象联合血清学指标能够较好地预测PTC患者的LNM，可作为PTC患者LNM的术前评估方法，制定个体化颈淋巴结清扫方案。

参考文献

[1]王红群，刘鹏，李莹，等. 甲状腺乳头状癌的预后因素分析[J]. 诊断病理学杂志，2023，30（7）：625-629，634.

[2]李晓龙. 关于甲状腺乳头状癌合并桥本甲状腺炎局部免疫微环境变化的实验研究[D]. 河北：河北大学，2021.

[3]李敏红，李志铭，陈淮，等. 基于深度学习算法的胰腺癌CT自动分期系统的构建与应用[J]. 现代肿瘤医学，2024，32（11）：2055-2059.

[4]赵君. 构建MRI影像组学及深度学习模型预测少突胶质细胞瘤TERT启动子状态的研究[D]. 甘肃：兰州大学，2023.

[5]连治琼，段晓洪，卢睿，等. 全身免疫炎症指数和中性粒细胞和淋巴细胞比值在预测脑胶质瘤患者预后中的应用[J]. 四川医学，2023，44（8）：794-800.

[6]肖雨.血液免疫炎症指标与甲状腺乳头状癌颈部淋巴结转移的相关性[D].新疆医科大学，2024.

[7]徐乐，徐雅男，王家东. 甲状腺乳头状微小癌3607例淋巴结转移及生存率相关因素分析[J]. 中华耳鼻咽喉头颈外科杂志，2017，52（4）：267-272.