甲狀腺結節多模態超聲成像智能化評估模型構建探討

李 明，馬 璇，張 倩，王風云

（內蒙古科技大學包頭醫學院第一附屬醫院門診超聲診斷科，內蒙古 包頭 014010）

甲狀腺結節（thyeoid nodule）為一種臨床常見的甲狀腺疾病，臨床具有較高發病率，臨床數據顯示，該種疾病通過觸診的模式可具有3%～7%檢出率。超聲對于該疾病的診出率較高，一般利用高分辨率超聲儀器可檢出20%～76%，并且惡性病變的檢出率為7%～15%。但常規的超聲對于甲狀腺良惡性的特異性不高，該種情況與甲狀腺結節的內部結構復雜性具有一定關系，其結果比較復雜，一般超聲模式很難獲得準確結果，醫師在評估上具有一定直觀性，因此需要建立一種智能評估模式，提升判斷結果準確性。

1 資料與方法

1.1 基礎資料

以2018年3月～2020年3月期間我院收治的116例患者共136個甲狀腺結節為研究對象。樣本納入標準：結節最大直徑＜2.5cm；無手術或者超聲引導經皮熱消融治療史；所有結節彈性圖像均符合標準。

1.2 方法

1.2.1 超聲檢查方式

患者采取仰臥位，在頸部下面放一個小枕頭使得頸部可以伸展將甲狀腺部位暴露，然后進行橫向和縱向掃描，獲得掃描結果，并根據CAR獲得認證圖像，在PACS工作站上記錄圖像。評估結節的大小、邊緣、形狀、縱橫比以及回聲的數據，兩名經驗豐富醫師評估獲得的相應數據并獲得統一結果，根據甲狀腺結節直徑：0.5cm以下、0.5～1.0cm、1.0～2.0cm、2.0～2.5cm四個類型，根據鈣化情況分別微小鈣化、粗大鈣化。根據血流分布分為血流正常以及血流豐富。

1.2.2 彈性成像分析

在同一天常規超聲和彈性成像檢查以及評估，圖像滿足一下標準被認為可靠：將探頭置于目標結節之上，然后輕輕按壓。彈性圖像獲取過程中，超聲儀器顯示上壓力釋放指數必須保持在3～4之間，彈性圖像維持時間3～5s。根據患者情況調整像素的著色情況，一般需要按照256色比例。

1.2.3 構建風險評估系統

隨機選取80%的樣本進行訓練，但樣本分析并機芯回歸分析，篩查標量，數據見差異具有統計學意義時P＜0.05，并獲得回歸系數。構建系統后創造臨界點，將患者分為低、中、高風險。

1.2.4 惡性風險評估系統驗證

驗證集選擇最終預測規則剩余的20%樣本，均給予訓練以及驗證集繪制ROC曲線，計算曲線下面積（AUC）。以最終病理結果作為金標準，確定每一種病變類型的惡性率以及95%置信區間。

本次每一個結節，以病理作為最終標準，對于結節通過手術或者診斷性的FNA獲得最終的結果，良性結節以手術以及FNA證實，分析良惡性結果。

1.3 數據分析

數據納入辦公軟件SPSS20.0中進行分析比較，t檢驗分析計量，x2檢驗分析計數資料，數據見差異具有統計學意義時P＜0.05。

2 結 果

2.1 結節特征

本次116例患者中查出136例結節，其中29個為甲狀腺惡性腫瘤（21.32%），29個惡性腫瘤中，19個為乳腺狀甲狀腺癌，5個為濾泡性甲狀腺癌，5個為其他惡性腫瘤。

2.2 甲狀腺結節評分系統

經過多變量的logistic回歸分析，我們發現11個變量與惡性顯著性相關，納入最終預測系統中，分別為女性、年齡≥46歲、形狀、鈣化模式、囊性、聲暈、頸部淋巴結狀態、鈣化或者囊性病變、彈性評分、總T4＞157.4ng/mL、TSH＞5.6mu/L。如果患者的評分低于4分，那么惡性甲狀腺癌幾率會明顯降低，4～6分為中度概率惡性，6分以上為高度概率惡性。根據以上結果獲得95%置信區間以及惡性腫瘤率情況，訓練集和驗證集的AUC分別為0.938以及0.933。

表1 使用低、中、高風險評分系統在開發集和驗證集上的的惡性率

3 討 論

本次我們對116例患者進行臨床生化、超聲以及病理資料進行綜合分析，開發并且驗證了一個基于網絡的惡性腫瘤智能評價系統。該系統中不同得分級別預示患者的惡性化情況，驗證中訓練集和驗證集的AUC分別為0.938以及0.933，具有較高準確性。因此筆者認為：利用單因素和多變量方式可建議利用簡單的甲狀腺結節風險評估系統，該系統可以比較智能的分析甲狀腺結節良惡性情況，該種模式為醫師對于甲狀腺結節的病情判斷提供可靠依據，值得進一步研究分析。