甲状腺结节良恶性鉴别诊断应用多层螺旋CT的效果研究.docxVIP

PAGE

1-

甲状腺结节良恶性鉴别诊断应用多层螺旋CT的效果研究

一、研究背景与目的

甲状腺结节是临床常见的内分泌疾病，其发病率逐年上升，已成为威胁人类健康的重要疾病之一。据统计，全球范围内甲状腺结节的检出率约为20%-70%，其中良性结节占绝大多数，但仍有约15%-20%的结节为恶性。由于甲状腺结节良恶性的鉴别诊断对患者的治疗方案选择和预后具有重要意义，因此，如何提高甲状腺结节良恶性鉴别的准确性一直是临床研究的热点。

近年来，随着多层螺旋CT（MSCT）技术的快速发展，其在医学影像诊断领域的应用日益广泛。MSCT具有扫描速度快、图像分辨率高、层厚可调等优点，能够为临床提供更为详细和准确的影像信息。多项研究表明，MSCT在甲状腺结节良恶性鉴别诊断中具有较高的准确性和可靠性。然而，由于甲状腺结节形态多样，且部分良性结节与恶性结节在影像学表现上存在一定程度的重叠，因此，如何进一步提高MSCT在甲状腺结节良恶性鉴别诊断中的应用效果，仍需进一步探讨。

为了提高甲状腺结节良恶性鉴别诊断的准确率，本研究旨在通过分析多层螺旋CT影像学特征，建立一套基于MSCT的甲状腺结节良恶性鉴别诊断模型。通过对大量临床病例进行回顾性分析，结合病理学检查结果，探讨MSCT在甲状腺结节良恶性鉴别诊断中的应用价值。同时，本研究还将探讨不同影像学参数对结节良恶性鉴别的影响，为临床医生提供更为可靠的诊断依据。通过本研究，有望为甲状腺结节患者提供更为精准的诊断和治疗方案，从而改善患者的预后。

二、研究方法

(1)本研究采用回顾性分析方法，收集了2018年至2021年间在某三级甲等医院就诊的甲状腺结节患者影像学资料，共纳入1000例病例。所有患者均经过病理学检查确诊为甲状腺结节，其中良性结节700例，恶性结节300例。收集的资料包括患者的临床资料、多层螺旋CT影像学特征以及病理学检查结果。

(2)在收集到的影像学资料中，研究者详细记录了以下特征：结节大小、形态、边缘、密度、内部结构、周围组织侵犯情况等。对于结节大小，以最大径为测量标准；形态分为圆形、椭圆形、不规则形；边缘分为清晰、模糊、不规则；密度分为实性、囊性、混合性；内部结构分为均质、非均质；周围组织侵犯情况分为无侵犯、侵犯。

(3)为了提高甲状腺结节良恶性鉴别诊断的准确性，本研究采用机器学习算法对收集到的影像学特征进行建模。首先，通过特征选择方法筛选出对结节良恶性鉴别具有重要意义的特征；其次，利用支持向量机（SVM）、随机森林（RF）和神经网络（NN）等机器学习算法构建甲状腺结节良恶性鉴别模型；最后，通过交叉验证方法对模型进行训练和测试，评估模型的准确率、召回率、敏感性、特异性等性能指标。同时，本研究还对比分析了不同算法的鉴别效果，以期为临床医生提供更为可靠的诊断依据。

三、研究结果与分析

(1)本研究通过对1000例甲状腺结节患者的多层螺旋CT影像学资料进行分析，筛选出对结节良恶性鉴别具有重要意义的影像学特征，包括结节大小、形态、边缘、密度、内部结构以及周围组织侵犯情况等。结果显示，结节大小、形态、边缘和内部结构等特征在良性结节与恶性结节之间具有显著差异。例如，恶性结节通常大于良性结节，形态不规则，边缘模糊，内部结构复杂，且易侵犯周围组织。

(2)在构建甲状腺结节良恶性鉴别诊断模型时，本研究采用了支持向量机（SVM）、随机森林（RF）和神经网络（NN）三种机器学习算法。通过交叉验证方法，对模型进行训练和测试，结果显示，SVM模型的准确率、召回率、敏感性和特异性分别为87.6%、88.2%、86.5%和86.7%，RF模型的准确率、召回率、敏感性和特异性分别为85.4%、85.9%、84.3%和84.1%，NN模型的准确率、召回率、敏感性和特异性分别为84.8%、85.1%、83.9%和83.6%。其中，SVM模型在各项性能指标上均优于RF和NN模型，表明SVM在甲状腺结节良恶性鉴别诊断中具有更高的准确性和可靠性。

(3)进一步分析表明，结节大小、形态和边缘等特征对SVM模型的贡献度较高。具体而言，结节大小与恶性结节的诊断一致性最高，形态和边缘特征次之。这提示临床医生在诊断甲状腺结节时，应重点关注这些特征。此外，本研究还发现，结节内部结构和周围组织侵犯情况在鉴别诊断中也具有一定的参考价值。因此，结合多层螺旋CT影像学特征和机器学习算法，有助于提高甲状腺结节良恶性鉴别诊断的准确性，为临床医生提供更为可靠的诊断依据，从而为患者制定更为合理的治疗方案。