基于CT影像组学模型对甲状腺滤泡癌和甲状腺滤泡性腺瘤的鉴别.pdfVIP

CT

基于影像组学模型对甲状腺滤泡癌和甲状腺滤泡性腺瘤的鉴别

摘要

目的：探讨基于电子计算机断层扫描（ComputedTomography，CT）的影像组

学模型在鉴别甲状腺滤泡癌和甲状腺滤泡性腺瘤中的价值。

材料与方法：回顾性研究2017年1月至2022年5月在青岛大学附属烟台毓璜

顶医院行手术治疗的甲状腺滤泡癌及滤泡性腺瘤患者的临床、影像资料。共纳入564

例，其中甲状腺滤泡癌89例，甲状腺滤泡性腺瘤475例。所有患者均接受手术治疗，

CTCT

手术之前所有患者接受甲状腺扫描，先行平扫，而后注射对比剂行动脉期

扫描。按照随机法将数据按7：3的比例分为训练集（n394）和验证集（n170）。

回顾性分析患者临床特征（年龄、性别、病变部位、肿瘤长径、TI-RADS分级等），

所有统计分析均采用IBMSPSS软件20.0版本，连续变量分析采用独立t检验或

Wilcoxonχ2CT

检验，分类变量采用检验。将患者的图像数据从图像存储和传输系

统(picturearchivingandcommunicationsystem，PACS)检索并以医学数字成像和通信

(digitalImagingandcommunicationsinmedicineDICOM)

，格式导出，导入汇医慧影

大数据平台，在CT平扫及增强图像上沿甲状腺原发病灶边缘逐层对感兴趣区域

(regionofinterestROI)ROI(volumeofinterest

，进行分割，逐层叠加即为感兴趣容积，

VOI)。利用平台提取2818个影像组学特征，所有特征参数按训练集数据进行Z-score

标准化，然后使用方差阈值法、SelectKBest法、最小绝对收缩与选择算子(least

absoluteshrink-ageandselectionoperator，LASSO)算法筛选与鉴别甲状腺滤泡性癌

和滤泡性腺瘤高度相关的特征，利用机器学习算法伯努利朴素贝叶斯

（BernoulliNB）、K近邻（K-nearestneighboralgorithm，KNN）、线性判别分析（Linear

DiscriminantAnalysisLDALogisticRegressionLR

，）、逻辑回归分析（，）、多层感知

机分类器（MLPClassifier）、随机梯度下降（StochasticGradientDescent，SGD）、支

SupportVectorMachineSVM

持向量机（，）建立影像组学模型。采用受试者工作特

征(receiveroperatingcharacteristic,ROC)曲线下面积(areaundercurve，AUC)、灵敏

度、特异度、准确性来评估影像组学模型的鉴别效能，采用Delong检验比较不同模

型之间AUC的差异，采用决策曲线分析(decisioncurveanalysis，DCA)评估影像组

学模型的临床应用价值。

结果：提取影像组学特征共2818个，经方差阈值法、SelectKBest法、LASSO

8

法筛选后得到个影像组学特征。利用筛选所得影像组学特征，利用机器学习模型

建立影像组学模型，采用ROC曲线及AUC评估影像组学模型鉴别效能。在训练集

AUC0.9530.962KAUC

和验证集中，伯努利朴素贝叶斯模型的