基于BRAF 基因構建穿刺結果不明確的甲狀腺結節診斷模型

徐吉，張燕

作為最常見的內分泌疾病，甲狀腺結節可在大約5%的女性和1%的男性中出現，且在50%的60 歲以上人群中出現[1]。大多數的甲狀腺結節患者預后良好，終身無需手術，但有7%～15%的結節為甲狀腺惡性腫瘤[2]。在甲狀腺結節良惡性的判別中，除了手術病理“金標準”結果外，超聲引導下的細針穿刺細胞學檢查（FNAC）因其微創、易實行及準確率較高的特點，被作為術前鑒別甲狀腺良惡性結節的輔助診斷方法，在臨床中已被廣泛使用[3]，然而對于穿刺結果中不明確的細胞非典型性病變或濾泡性病變（AUS/FLUS），目前仍然沒有良好的進一步明確診斷方法，因此開發新型的AUS/FLUS類別診斷模型以提高術前甲狀腺良惡性結節鑒別診斷效能成為本研究的重點[4]。現報道如下。

1 資料與方法

1.1 一般資料 本研究最終入選82 例甲狀腺結節患者，均于2017 年1 月至2019 年12 月在中國科學院大學寧波華美醫院超聲介入科就診，所有患者均簽署知情同意書，且本研究得到醫院倫理委員會批準。納入標準：（1）FNAC 結果為AUS/FLUS類別；（2）具有明確的手術病理結果；（3）行BRAF 基因突變檢測與常規甲狀腺二維超聲檢查。排除標準：（1）甲狀腺結節FNAC 結果為標本無法診斷或不滿意、良性、濾泡性腫瘤或可疑的濾泡性腫瘤、惡性腫瘤；（2）既往甲狀腺腫瘤病史，結節復發或行2 次手術的患者；（3）資料不齊或對研究過程抵觸的患者。

1.2 方法 KNN診斷模型的構建：本研究統計分析及KNN 診斷模型的構建均使用R 3.4.3 軟件完成，并采用ROC 曲線分析。首先將各變量指標轉換為數值型（表1）以便于后續數據處理，82 例患者使用圖1 中的流程構建KNN分類器，將82 例患者分為訓練數據集（50 例）與測試數據集（32 例），在訓練數據集中首先使用LASSO+10 倍交叉驗證的方法，最終確定分類錯誤最低時的K 值，將該K 值在測試數據集中驗證，最終在最初82 例患者構成的數據集中再次驗證，以評估分類器的性能。

表1 診斷模型中變量的轉換

圖1 KNN 分類器構建流程

2 結果

2.1 BRAF基因檢測結果與手術病理結果的關系 BRAF基因檢測的靈敏度為71.7%（43/60），特異度為72.7%（16/22），陽性預測值為87.8%（43/49），陰性預測值為48.5%（16/33），見表2。

表2 BRAF 基因檢測結果及手術病理結果對比 例

2.2 判定模型的構建 對各變量的重要性進行評估確定分類錯誤率最低時的變量個數，結果表明在變量數為4個時，分類器的錯誤率最低，而在隨機森林算法中，BRAF 基因結果、結節回聲、結節形態、結節邊界這4項變量對分類器的性能最為重要。最終使用以上4 種變量構建了KNN分類器，在K=18 時分類器的錯誤率最低。

2.3 KNN分類器性能的評估 KNN分類器模型的AUC 為0.842，優于單項指標構建的KNN分類器，同時該分類器的敏感度為91.8%，特異度為84.9%，見表3 ～4。

表3 KNN 分類器模型與各項指標單獨構建模型的ROC 曲線分析

3 討論

近年來，由于高分辨診斷技術的發展及環境因素等影響，甲狀腺癌的發病率與檢出率在全球范圍內都呈現遞增趨勢[5]。現臨床上FNAC 作為術前鑒別診斷甲狀腺腫瘤性質已被廣泛使用[6]。采用國際公認的Bethesda報告系統[7]對穿刺標本進行解讀，其中85%～95%的穿刺結果可明確診斷，但由于受多灶、大小、細胞病理學醫生的經驗及惡性腫瘤細胞形態特征的混雜等多種因素影響，仍有部分結果不能明確[8]。另有研究表明，甲狀腺癌發病率在AUS/FLUS類別中為5%～15%[9]。上述結果說明該類別患者中必定存在良性結節患者接受過度治療及惡性結節患者未得到有效治療的情況，因此也更需要檢測特異性更高的手段來提升術前鑒別診斷甲狀腺良惡性結節的準確性。

表4 KNN 分類器模型在甲狀腺良惡性結節中的診斷價值 例

有研究表明BRAF基因突變在結腸癌、直腸癌、卵巢癌和甲狀腺癌均有發現[10]。有研究通過觀察292 例細胞學檢查為良性的高危甲狀腺結節患者，結果表明在其中36 例BRAF 基金突變患者中，31 例患者最終出現惡性甲狀腺結節，這表明BRAF 基因的篩查能夠降低細胞學檢查的假陰性率[11]。本研究結果也說明BRAF基因檢測作為一個單獨檢測指標而言，陽性預測值較高，故認為使用BRAF基因檢測作為診斷指標能夠很好的改進現有的診斷模型。但同時筆者發現BRAF基因無突變但手術治療的33 例患者中有17 例為惡性結節。這表示若只應用BRAF基因檢測作為衡量該類患者是否需要手術的唯一指標，仍存在不確定性。

為進一步探討快速高效的診斷方法，筆者運用機器學習的方法構建診斷模型，將已收集的各變量對甲狀腺結節良惡性分類的重要性進行研究。在隨機森林算法中，得知BRAF 基因、結節回聲、結節形態、結節邊界這4 項變量對分類器的性能，也就是鑒別該類別的甲狀腺結節良惡性最為重要，且BRAF基因的重要性遠高于其他變量，更進一步確定了BRAF 基因在鑒別診斷甲狀腺結節的重要作用。本研究中構建的KNN 分類器模型的靈敏度為91.8%，特異度為84.9%，優于單項指標BRAF 基因檢測的靈敏度及特異度。除此之外，該KNN 分類器模型的AUC也優于各指標單獨構建的分類器模型。這證實了該分類器對于診斷甲狀腺良惡性結節有一定的潛力。

但在本研究中，對于變量的納入仍有所欠缺，目前對于甲狀腺結節的輔助檢查還包括超聲彈性成像（SWE/UE）、超聲造影成像（CEUS）等，基于此，筆者認為下一步研究方向可使用上述機器學習方法，擴大變量的納入范圍對穿刺結果不明確的甲狀腺結節進行多模態的綜合分析，從而使甲狀腺癌的檢出率進一步提高，實現為患者提供個體化精準治療的期望。