影像组学在甲状腺结节良恶性鉴别中的应用价值分析

 影像组学在甲状腺结节良恶性鉴别中的应用价值分析

冉勇,杨德胜,刘旭,张兰,通讯作者,韦娜

（重庆市第十三人民医院放射科  重庆  400053）

【摘要】目的： 探讨影像组学在甲状腺结节良恶性鉴别中的应用价值。方法：回顾性分析我院经病理证实的100例甲状腺结节患者，其中良性结节72例，恶性结节28例。应用纹理分析软件 MaZad 对甲状腺 CT 扫描的静脉期图像进行分析，在结节最大层面手动勾画感兴趣区（ROI），通过分析得出 300 多个纹理参数。对所得出的纹理参数使用 Fisher 系数、分类误差概率与平均相关系数（POE+ACC）及互信息（M I）等三种降维方式进行处理，得到 10 个鉴别最佳的纹理参数。采用Mazad自带的 B11 软件进行纹理参数的判别，对每种降维方式分别进行原始数据分析（RDA）、主成分分析（PCA）、线性判别分析（LDA）及非线性判别分析（NDA）等四种分析，分别获得不同模型对甲状腺结节鉴别诊断的准确度、特异度和灵敏度。结果：三种降维方法分别提取出 10 个鉴别能力较强的纹理参数，相关度 S（2,-2）在三种降维算法中均被筛选出来。使用 B11 分析模块分析出的错误率。其中 Fisher/NDA法在各组中错误率最低，只有7.00%（7/100）。结节良恶性预测结果中，其中灵敏度最高的是Fisher/NDA 法，为90.00%；特异度最高的是MI/NDA法，特异度为98.00%，而预测准确率最好的是Fisher/NDA 法，预测准确率为 92.00%。结论：利用影像组学的方法可以可靠的鉴别出甲状腺结节的良恶性，为临床进一步的诊断和治疗提供帮助。

【关键词】甲状腺结节；影像组学；CT；诊断价值

近年来，甲状腺结节发病率呈上升趋势，其中4%-5%的甲状腺结节为恶性肿瘤。因此判定结节良恶性对后续治疗及疾病转归至关重要[1]。但在影像检查中，良恶性结节诊断缺乏特异性，人眼对图像信息识别能力有限，对传统影像图像的判读，多依据结节的边界（有无突破包膜、有无晕征）、形态（圆形、椭圆形、不规则形）、内部特征（出血、粗细钙化）、有无侵犯及转移来判断病灶的良恶性，而且不同层次和经验的医师对影像特征的把握存在一定差异性，判别能力各不相同，人为因素影响大，影像特征特异性不足，影响临床图像判读的准确性，造成术前误诊率高达40%~70%[2]。因此，找到可靠的鉴别甲状腺结节良恶性的影像学方法，可以避免患者不必要的有创检查并能及时进行治疗。而随着影像组学（radiomics）的兴起，其在肿瘤诊断方面取得了良好的成果，但是目前在甲状腺领域研究尚少，基于此，本研究应用影像组学方法探讨其在甲状腺结节良恶性鉴别中的应用价值，以期为临床诊断提供新的方法和思路。

1 材料与方法

1.1 病例资料

回顾性分析2012年10月至2022年10月在我院经手术病理证实的单个甲状腺结节100例作为研究对象，所有患者符合纳入标准：单个甲状腺结节；同时有CT、超声检查及病理或细胞学穿刺结果；所有患者有原始数据，临床资料齐全。排除标准：病灶小于1cm；非同一台CT扫描的病例；伪影较多及噪声太大影响图像质量的病例。按照病理结果将恶性的28例纳入观察组，男11例，女17例；年龄13~75岁，平均(42.8±14.05) 岁。良性的72例纳入对照组，男29例，女43例；年龄19~77岁，平均(47.7±15.5)岁。

1.2 CT检查方法

采用荷兰PHILPS飞利浦，Ingenuity Core128排螺旋CT扫描仪，管电压120 kV，管电流250 mAs，层厚3 mm，层间距3 mm。增强扫描经肘正中静脉注射对比剂碘佛醇（含碘320 mg/ml），注射流率 3.0 ml/ s，剂量1.5 ml/kg，注药后35 s和65 s分别采集动脉期和静脉期增强图像。扫描前训练患者呼吸屏气，扫描时嘱患者仰卧、颈过仰，肩部尽量下沉，禁吞咽动作。扫描范围自下颌至颈根部，甲状腺向胸骨后延伸时扩大扫描范围至其全部覆盖。

1.3  纹理特征提取及分析

由2名从事影像诊断10年以上的放射科医师将所有患者CT静脉期图像中结节最大层面的图像以DICOM格式进行存储，并导入纹理分析软件Mazda进行后处理分析。首先由一名诊断医师对甲状腺结节进行感兴趣区勾画，另外一名再对其进行验证，当意见不统一时协商处理。为减少图像间的差异对结果造成的影响，在勾画前选中±3sigma使图像进行标准化。勾画方法：沿病灶边缘每隔 2 ～3mm 进行点击，当形成封闭环时双击，无需避开病变内的坏死及钙化部分。MaZad 软件可提取的纹理参数有六类（梯度参数、图像直方图、共生矩阵派生参数、游程长度共生矩阵、小波变换和自回归模型），总共可提取 300 多项纹理特征。本研究主要使用Fisher系数、分类误差概率与平均相关系数（POE+ACC）及互信息（MI）等三种降维方法进行处理。然后采用 B11 分析软件分别进行原始数据分析（RDA）、主成分分析（PCA）、线性判别分析（LDA）及非线性判别分析（NDA）等四种方式进行判别。

1.4 统计处理

分别统计各个分析方法对甲状腺良性结节和恶性结节的错误率、灵敏度、特异度及预测准确度，通过比较找出鉴别甲状腺结节良恶性最准确可靠的预测模型。

2 结果

三种降维方法分别提取出 10 个鉴别能力较强的纹理参数，相关度 S（2,-2）在三种降维算法中均被筛选出来。

使用 B11 分析模块分析出的错误率。其中 Fisher/NDA法在各组中错误率最低，只有7.00%（7/100）。

结节良恶性预测结果中，其中灵敏度最高的是Fisher/NDA 法，为90.00%；特异度最高的是MI/NDA法，特异度为98.00%，而预测准确率最好的是Fisher/NDA 法，预测准确率为 92.00%。

3 讨论

近年来随着低剂量 CT的推广应用，安全剂量范围内CT检查在甲状腺疾病中的临床应用越来越多。本研究基于CT平扫图像为基础，通过影像组学模型的建立完成对甲状腺结节的良恶性的预测。虽然超声检查仍然是甲状腺结节诊断的重要检查手段，但近年来CT及MR运用于甲状腺结节良恶性的诊断及甲状腺癌淋巴结转移的研究逐渐增多。

影像组学最早于2012年提出，作为一种新兴的影像分析方法，其目的是利用大数据分析技术，从影像数据中挖掘可量化病变的海量特征，并构建特征性影像组学标签，以期解析影像与病理、临床的潜在关联，尤其是一些高阶纹理特征，它们不仅反映了肿瘤组织学的异质性，甚至还在一定程度上反映出相应的遗传学差异[3]。纹理特征是结构内部体素分布差异的表现，是基于特定像素的联合概率分布。恶性肿瘤内部结构往往比较复杂，主要原因是肿瘤内出现坏死、肿瘤血管的异常增殖以及细胞壁破坏所致通透性的改变，进而导致影像灰度的差异，所以其纹理特征会出现差异[4]。上述变化肉眼不易察觉，但通过纹理特征可以发现，且不受主观影响。基于CT图像的纹理分析已被发现与病理信息相关。

影像组学的纹理分析在肿瘤影像中的应用主要是为了揭示肿瘤的临床相关特征，而目前大家对于影像组学的开发主要集中于基于纹理分析的计算机辅助诊断(CADx)系统，可以帮助区别甲状腺结节的良恶性，自动甲状腺结节检测和经典化系统的目标是实现至少可与标准细针抽吸检查相媲美的性能。虽然目前影像组学正在兴起，并且赢得广大影像工作者的追捧，但由于其尚处于起步阶段，仍然不太成熟，可重复性较差，多中心数据采集与单中心数据相比，其提取的特征仍存在一定差异。

【参考文献】

窗体顶端

窗体底端

窗体顶端

窗体底端

[1] 王庆军,程流泉,符永瑰,等. 桥本甲状腺炎性结节与甲状腺微小乳头状癌鉴别诊断:基于MRI影像组学机器学习的应用[J]. 中国医学影像学杂志,2023,31(3):213-219.

[2] 杨鹏,武志峰. 基于CT图像影像组学模型对甲状腺结节良恶性预测的研究[J]. 中国CT和MRI杂志,2023,21(1):47-49.

[3] 唐鹏洲,任采月,王月明,等. 基于CT影像组学列线图鉴别甲状腺良性与恶性滤泡性肿瘤的价值[J]. 中华放射学杂志,2022,56(2):136-141.

[4] 马伟琼,陈康胤,杨宁,等. 多参数MRI影像组学对甲状腺乳头状癌颈部淋巴结的术前评估价值[J]. 磁共振成像,2022,13(10):108-113.