基于多模態超聲建構甲狀腺乳頭狀癌決策樹模型及其應用價值

鄭 蕊 李秀芹 代笑梅

甲狀腺癌中甲狀腺乳頭狀癌臨床常見[1-2]。目前關于甲狀腺乳頭狀癌發生發展機制尚處于研究中，與遺傳、情志不暢和內分泌紊亂等因素有關[3]。最近幾年甲狀腺癌發生率增加已引起世界醫護人員重視。既往研究結果表明[4-5]，對甲狀腺乳頭狀癌早期治療能治愈90% 以上的患者，既能延長患者生存時間，又能提升其生活質量。在甲狀腺乳頭狀癌診斷中超聲起到重要的作用。同時定期超聲檢查是防治甲狀腺癌主要途徑[6]。隨著我國超聲設備和檢查水平的提升，多模態超聲在反映甲狀腺腫瘤形狀、臨近關系上更有優越性，尤為適合我國年輕女性及育齡期女性。決策樹是在諸多規則下對目標數據進行分類建模的過程。流程圖主要是使用if-then規則生成。在流程圖中結構的頂端是根節點，而各個內部節點都是一個屬性上測試，不同分枝是測試輸出結果，各個路徑都可以對應著一條取舍原則。整個決策樹對應著一組析取表達式規則，現已用于疾病診斷中。本文選擇醫院2020年1月到2020年12月收治的甲狀腺乳頭狀癌患者作為研究對象，使用多模態超聲建構甲狀腺乳頭狀癌決策樹模型，并對其應用價值進行分析，現報告如下。

1 資料與方法

1.1 一般資料

選擇醫院2020年1月到2020年12月收治的甲狀腺乳頭狀癌患者106例，年齡48～78歲，平均年齡(59.28±3.08)歲；病程最短6個月，最長4年，平均(2.98±0.21)年；均為女性，均已生育、已婚。

1.2 病例納入與排除

納入標準：①多模態超聲檢查的患者；②病理診斷確診為甲狀腺乳頭狀癌患者；③經醫院倫理學會批準。排除標準：①其他類型的甲狀腺癌；②近1年內接受放療、化療及其他抗腫瘤治療的患者；③合并其他惡性腫瘤的患者；④復發患者；⑤紅斑狼瘡患者；⑥合并嚴重性基礎疾病患者。

1.3 方法

1.3.1 篩選建立數學模型的確定指標 多模態超聲的甲狀腺乳頭狀癌指標有位置、形態、大小、邊界、內部回聲、血流分布、淋巴結轉移、分級、分期、累及位置共11項指標。

1.3.2 數學模式的建立 在計算機上使用SPSS Clementine 12.0軟件將106例患者的超聲指標建模進行分析，包括Logistic回歸分析和決策樹模型。在數據基礎上，使用已經篩選的超聲指標作為建立數學模型的輸入指標，病理診斷結果作為輸出，成為建模的金標準。采用SPSS 20.00隨機抽取106例患者樣本的50%作為訓練集，另50%作為預測集驗證模型優劣。建模過程分為訓練集和測試集2個分支流。訓練集先將隨機抽樣得到的70%的數據料分別建立Logistic回歸與決策樹2個數學模型。再使用MedCalc V12.40軟件繪制ROC曲線并比較不同模型的ROC曲線下面積(AUC)，應用篩檢實驗評價指標和ROC 曲線比較2種模型Logistic回歸與決策樹對預測集樣本的預測效果。檢驗水準α=0.05。

2 結果

2.1 Logistic回歸與決策樹訓練集結果分析

決策樹在訓練集結果中正確率為90.57%(48/53)，明顯高于Logistic回歸的正確率56.60%(30/53)，P<0.05。

2.2 Logistic回歸與決策樹測試集結果分析

決策樹在測試集結果中正確率為83.02%(44/53)，明顯高于Logistic回歸的54.72%(29/53)(χ2=9.900，P<0.05)。

2.3 Logistic回歸與決策樹靈敏度、特異度和準確度分析

決策樹靈敏度、特異度和準確度均高于Logistic回歸(P<0.05)，見表1。

表1 Logistic回歸與決策樹靈敏度、特異度和準確度分析/%

2.4 Logistic回歸與決策樹ROC曲線和曲線下面積分析

各模型的ROC曲線下面積結果如下圖所示，Logistic回歸的AUC面積為0.554(95%CI： 0.392～0.717)；決策樹的AUC面積為0.810(95%CI：0.676～0.943)。ROC曲線下的面積值在1.0和0.5之間，在AUC>0.5的情況下，AUC越接近于1，說明診斷效果越好。AUC的面積又反映了各個指標預測結果的準確性，即決策樹診斷的檢驗準確性最高。見圖1。

圖1 Logistic回歸與決策樹ROC曲線

3 討論

既往研究結果發現[7]，最近20年來女性甲狀腺癌死亡率降低接近20%，其中早期發現和早期診斷是主要原因。大量研究結果在證實[8-11]，早期患者預后較晚期甲狀腺乳頭狀癌患者好，生存時間明顯延長，復發率顯著降低。目前甲狀腺乳頭狀癌早期發現主要依賴于患者自身積極主動體檢，但是我國女性體檢意識不強，導致甲狀腺乳頭狀癌檢出主要依賴超聲診斷及其他輔助診斷措施。隨著現代信息計數的發展，甲狀腺乳頭狀癌診斷越來越依靠現代信息技術和影像學技術[12-14]。多模態超聲涵蓋多種超聲診斷技術，包括常規超聲、超聲彈力成像和超聲造影等。常規超聲選擇清晰的二切面，多角度癌腫瘤內部結構、回聲、形態和邊界[15-16]。超聲彈力成像同樣選擇清晰的二維切面，但與常規不同的是選擇縱切面，將機器調整為彈性成像模式后，調整合適的取樣框，使得腫瘤組織整個在取樣框內，加壓。超聲造影則是在患前臂淺靜脈建立靜脈通路，選擇清晰的切面固定不動，注射造影劑后觀察病灶造影劑灌注情況和回聲強度。計算機輔助超聲診斷疾病的研究較多。有學者做了大量研究工作后證實，數據模型挖掘計數有利于提升疾病的準確率，便于臨床制定個性化治療方案[17-18]。目前常用的數據挖掘方法有經網絡、二元邏輯回歸和支持向量機及貝葉斯方法。以上這些方法被用于診斷和鑒別卵巢癌、肺癌等。馮云霞等[19]研究發現，使用決策樹模型可以用于指導重癥監護室醫生對患者插管后最佳拔管時間的判斷，可以有效減少再次插管損傷。決策樹模型和回歸模型診斷效能較好，且各有自己的特點。通常情況下，在存在多個變量時，回歸模型均有決策樹模型[20]。而決策樹模型具有以下優點：①決策樹產生的分類原則較其他模型更容易理解。②更擅長處理非數值型的離散數據，在較多缺失值不完整的數據資料情況下能處理數值型數據。③決策樹模型與其他模型對數據的要求較高相比，大大降低了對數據的處理工作。

本次研究結果顯示，決策樹在訓練集、測試集結果中正確率較回歸模型高，且決策樹ROC曲線下面積大。靈敏度、特異度和準確度是常用于診斷的評估指標。臨床通常選擇一組病理和另一組對照，用于診斷試驗，并對其指標進行比較，以得出診斷效能。ROC曲線又被成為測試者工作曲線，其曲線下面積反映了本次決策樹實驗識別算法的正確性及錯誤目標能力情況。何月明等認為[21]，臨床上可以使用ROC曲線用于兩種或以上診斷系統性能，以判斷診斷價值，選擇更優方法。經研究發現ROC曲線評價方法用于多模態超聲指導決策樹模型建立的應用結果具有更加直觀和簡單性。以往在臨床中使用超聲檢查甲狀腺癌就受到認可，分析原因超聲有較高的準確性和分辨率。放射科醫生借助放射學方法，將癌癥患者的腫瘤形態、邊界和浸潤等問題的研究從形態學發展到形態與影響功能成像相結合的階段。目前發現多模態超聲雖能用于診斷甲狀腺乳頭狀癌，但因其癌癥復雜性和其他不確定因素，使得臨床出片結果較慢，患者需要7～15 d甚至更長時間的等待，從而影響了治療。決策樹模型與傳統處理甲狀腺乳頭狀癌方法相比是一種新型的數據處理方法，對甲狀腺乳頭狀癌原始數據類型和分布狀態的要求較低，既能同時處理甲狀腺乳頭狀癌分類變量，又能處理甲狀腺乳頭狀癌連續變量，結果簡單、直觀，且模型的分類結果靈敏度、特異度較高，更易于理解、應用，從而便于臨床征候診斷時的實際操作。基于多模態超聲結果采用決策樹模型有利于輔助醫生診斷甲狀腺乳頭狀癌，對腫瘤形態、邊界等進行定性。本研究對腫瘤位置、形態、大小、邊界、內部回聲、血流分布、淋巴結轉移、分級、分期、累及位置資料進行回歸模型和決策樹模型分析，顯示基于此的決策樹模型敏感度、特異度和診斷效能更佳。

綜上所述，基于多模態超聲建構甲狀腺乳頭狀癌決策樹模型能提升診斷效能，且其敏感性、特異性和準確性較高，建議使用。