基于光譜CT各參數的甲狀腺良惡性結節學習模型的構建及應用

摘要：目的" 分析基于光譜CT各參數構建的機器學習模型預測甲狀腺良惡性結節的可行性。方法" 回顧性分析2021年9月～2022年12月經手術病理證實的185例甲狀腺結節患者資料。根據病理結果將患者分為惡性結節組（n=106）及良性結節組（n=79），提取10個光譜CT參數構建6種機器學習模型，通過ROC曲線評價各模型預測甲狀腺結節良惡性的效能，比較模型曲線下面積的差異。結果" 預測甲狀腺良惡性結節的極端梯度提升、隨機森林、支持向量機、K最近鄰學習模型、邏輯回歸及決策樹的AUC值分別為0.833、0.814、0.813、0.807、0.799、0.776，敏感度分別為0.833、0.833、0.800、0.733、0.767、0.733，特異度分別為0.808、0.769、0.731、0.846、0.808、0.731，準確度分別為0.821、0.804、0.768、0.786、0.786、0.732。結論" 基于光譜CT各參數構建預測甲狀腺良惡性結節的學習模型效能較好，最優預測模型為XGBoost。

關鍵詞：甲狀腺結節；甲狀腺癌；光譜CT；XGBoost；能譜曲線

Construction and application of thyroid nodule malignancy prediction model based on various parameters from spectral CT

LI Wei1， 2， 3， WANG Jinhua1， YANG Zhongxian1， LIU Yubao1， 2

1Medical Imaging Center， Shenzhen Hospital， Southern Medical University， Shenzhen 518100， China; 2The Third School of Clinical Medicine， Southern Medical University， Guangzhou 510500， China; 3Department of Radiology， Fuyong People's Hospital of Shenzhen Baoan， Shenzhen 518103， China

Abstract： Objective To observe the feasibility of machine learning models constructed based on various parameters of spectral CT in predicting the benign and malignant nature of thyroid nodules. Methods A total of 185 patients with thyroid nodules confirmed by surgical pathology from September 2021 to December 2022 were analyzed retrospectively. According to the pathological results， the patients were divided into malignant nodules group （n=106） and benign nodules group （n=79）. Ten spectral CT parameters were extracted to establish six machine learning models. The performance of each model in predicting the benign and malignant nature of thyroid nodules was evaluated through ROC curves， and the differences in AUC of the model were compared. Results The AUC values of extreme gradient boosting， random forest， support vector machine， K-nearest neighbors， Logistic regression and decision tree models for predicting thyroid nodule malignancy were 0.833， 0.814， 0.813， 0.807， 0.799， 0.776， respectively. Their sensitivities were 0.833， 0.833， 0.800， 0.733， 0.767， 0.733， their specificities were 0.808， 0.769， 0.731， 0.846， 0.808， 0.731， their accuracies were 0.821， 0.804， 0.768， 0.786， 0.786， 0.732. Conclusion The learning models based on the parameters from spectral CT to predict benign and malignant thyroid nodules had good overall performance， the optimal prediction model was XGBoost.

Keywords： thyroid nodules; thyroid cancer; spectral CT; XGBoost; energy spectrum curve

近年來，隨著生活方式的變化和環境因素的影響，甲狀腺癌的全球發病率呈現出逐年上升的趨勢，主要以乳頭狀癌為主［1-3］，女性的發病率遠高于男性［4］。盡管甲狀腺癌被認為是一種具有相對較低惡性度的“惰性癌”，但它仍較容易發生頸部淋巴結轉移，直接影響患者的預后和治療策略。因此，精確而早期的診斷對于改善甲狀腺癌患者的治療效果至關重要。目前，超聲引導下的細針穿刺活檢（FNA）是診斷甲狀腺癌的首選方法，但平均診斷準確率約為83%，結果很大程度依賴于采樣的質量和操作者的經驗［5-7］。此外，FNA存在假陰性結果的風險，可能導致患者需要接受不必要的二次活檢。

雙層探測器光譜CT（DLCT）利用不同能量水平的X射線對組織的不同反應，可以獲得比傳統CT更多的物理和化學信息［8， 9］，在鑒別肺癌及胃腸道腫瘤等相關領域展現出較好的診斷價值［10-13］。當這些更詳細的影像數據與機器學習模型相結合時，可以提高診斷的準確性和效率，有助于提高疾病的早期診斷和精準治療［14， 15］。目前有關如何利用DLCT定量參數與機器學習模型結合鑒別甲狀腺結節的研究還未見報道，本研究旨在探討基于光譜CT各參數構建的機器學習模型預測甲狀腺良惡性結節的可行性，為甲狀腺癌的臨床早期診療提供參考。

1" 資料與方法

1.1" 一般資料

回顧性分析2021年9月～2022年12月南方醫科大學深圳醫院和深圳市寶安區福永人民醫院患有甲狀腺結節的185例患者的臨床及影像資料。納入標準：術前行DLCT增強檢查，圖像質量滿足診斷要求；有完整的病理學診斷結果。排除標準：檢查前行活檢或手術切除，或放、化療后；甲狀腺結節廣泛囊變或多發鈣化者。185例患者中，男性51例，女性134例，年齡25～73（46.3±12.55）歲。共收集185個結節，其中良性結節79個，包括結節性甲狀腺腫74個，亞急性甲狀腺炎1個，濾泡性腺瘤4個，惡性結節106個，均為甲狀腺乳頭狀癌。本研究為回顧性研究，經本院倫理委員會審核批準（倫理審批號：KY-2024-08）。

1.2" 掃描方法

采用飛利浦IQon Spectral CT機對患者進行檢查，掃描范圍自第1頸椎水平至主動脈弓上緣。檢查前囑咐患者雙肩盡量下垂，避免吞咽動作，以減少偽影對圖像的干擾。掃描參數：管電壓為120 kVp，自動管電流調制技術，采用頸部光譜掃描模式行平掃、動脈期及靜脈期增強掃描，對比劑為碘普羅胺（370 mg/mL），采用雙筒高壓注射器及對比劑自動跟蹤觸發技術掃描。掃描完成后將圖像傳至后處理工作站，掃描及重建后的圖像層厚分別為5 mm、1 mm。

1.3" 圖像分析

在甲狀腺結節最大層面勾畫感興趣區域（ROI），分別采集動、靜脈期甲狀腺結節的CT值（40 keV、100 keV）、有效原子序數（eff-Z）、碘濃度（IC）。為消除個體間差異對實驗結果的影響，對數據進行標準化處理。標準化碘濃度（NIC）=結節內的碘濃度/同層面頸總動脈的碘濃度；標準化有效原子序數值（Neff-Z）=結節內的有效原子序數值/同層面頸總動脈的有效原子序數值；能譜曲線斜率（λHu）=（40 keV-100 keV）/（100-40）。勾畫的ROI由2位高年資醫師討論后共同決定，主要放置在實性區域，避開明顯的鈣化、囊變及壞死組織。

1.4" 構建機器學習模型

通過統計學檢驗篩選出有統計學差異的光譜CT參數轉化為Python可識別語言，構建決策樹（DT）、隨機森林（RF）、極端梯度提升（XGBoost）、邏輯回歸（LR）、支持向量機（SVM）、K最近鄰（KNN）6種學習模型執行預測甲狀腺良性結節與惡性結節的二分類任務。對數據集按7：3分成訓練組和測試組，訓練組用于構建預測模型，同時采用10折交叉驗證方法訓練模型，利用測試組數據對模型的性能進行外部測試。采用ROC曲線下面積（AUC）、敏感度、特異度及準確度評價驗證模型的效能，AUC越接近1，效能越高。構建學習模型過程中加入可解釋技術SHAP值，可視化觀察最優模型的輸出結果。

1.5" 統計學分析

采用SPSS23.0軟件進行分析。光譜CT參數等計量資料以均數±標準差或中位數（四分位數間距）表示，符合正態分布的計量資料組間比較采用獨立樣本t檢驗，不符合正態分布的計量資料采用非參數Mann-Whitney U檢驗。以Plt;0.05為差異有統計學意義。采用Delong檢驗進一步分析各模型的AUC值。

2" 結果

2.1" 光譜參數分析

甲狀腺良、惡性結節組動脈期40 keV、動脈期100 keV、動脈期λHu、動脈期IC、動脈期NIC、動脈期eff-Z、動脈期Neff-Z、靜脈期100 keV、靜脈期IC、靜脈期NIC的差異有統計學意義（Plt;0.05，表1）。

2.2" 不同學習模型的預測效能評估

預測甲狀腺良惡性結節各學習模型的效能，AUC值、準確度、敏感度、特異度均大于0.7，其中RF、XGBoost、SVM、KNN的AUC值均大于0.8。XGBoost學習模型的AUC值及準確度最高，略高于其他學習模型，且敏感度和特異度均大于0.8（表2、圖1）。但XGBoost與其他學習模型差異無統計學意義。

2.3" 可解釋性分析學習模型

在預測甲狀腺良惡性結節的最優模型XGBoost中加入可解釋性技術SHAP值，可視化觀察到學習模型的重要特征為動脈期NIC、靜脈期100 keV的CT值、動脈期100 keV的CT值、靜脈期IC、動脈期Neff-Z（圖2）。

3" 討論

甲狀腺癌是較為常見的癌癥之一，其中女性患者占據了絕大多數［4， 16］。目前超聲檢查仍是甲狀腺的首選檢查手段，但超聲檢查過度依賴于醫生的臨床經驗，對頸部深部結構及胸骨后病灶存在盲點；FNA是一種有創檢查方法，結果容易出現假陰性，患者存在二次穿刺的風險［17， 18］。甲狀腺DLCT在這些方面比超聲具有優勢，利用物質成分分析及單能量圖可以無創預測甲狀腺結節及周圍淋巴結情況［8， 9， 19］，而且不易受結節的位置、鈣化等影響，有助于臨床進一步術前分期和優化手術方案。

本研究結果顯示，甲狀腺惡性結節在動、靜脈期的碘含量明顯低于良性結節，與既往研究［20， 21］結果一致。甲狀腺是重要內分泌器官，其濾泡上皮細胞能夠攝取并存儲碘［22］。在惡性結節中，濾泡上皮細胞被纖維組織或癌細胞取代，攝取碘的能力顯著降低甚至缺失。而良性的結節性甲狀腺腫和腺瘤具有部分正常的濾泡結構和碘攝取能力。在DLCT檢查中，IC可以通過碘基物質分解成像來測量單位體積內碘攝取量［23］。本研究對碘濃度值進行了標準化分析，排除了因為體循環的差異引起的誤差，使得數據更為精確。部分研究結果顯示，惡性結節IC在增強CT中高于良性結節［24］，該研究假設甲狀腺組織的IC反映了增強CT圖像上的血供情況，這與本研究結果不同，可能是樣本之間存在差異，當惡性結節血供增加引起病灶IC增加，可能部分抵消了甲狀腺癌攝碘能力下降的因素，從而導致惡性結節IC增加。此外，DLCT掃描參數不同也可能是潛在誤差的原因。

能譜曲線反映的是X射線透過人體內不同組織后衰減系數與單能量水平的關系［20， 24］。光譜CT單能級圖像能夠更有效發現微小病灶及其輪廓［24］。因此本研究中選用40 keV作為低能級圖、100 keV作為高能級圖來對甲狀腺良惡性結節進行分析，結果顯示惡性結節中動、靜脈期100 keV能級圖的病變CT值低于良性結節，與既往研究結果一致［25］。大多數物質能譜曲線為下降型，單能級水平越高，物質的CT值越小，曲線與物質的密度或碘攝取能力成正相關性。本研究結果顯示動、靜脈期100 keV病變CT值在預測甲狀腺良惡性結節中有重要價值。

本研究通過對光譜CT多個定量參數篩選，以XGBoost、RF、SVM、KNN、DT及LR為分類器構建預測甲狀腺良惡性結節模型。XGBoost預測精度高，處理速度快，能有效處理稀疏數據并減少過擬合風險，但它調參復雜，資源消耗大［26， 29］。RF準確性方面表現出色，能有效管理高維數據且易于解釋，但在大數據集及高噪聲情況下表現不佳，并且解釋性會隨樹的數量增多而降低［30-31］。SVM在高維空間表現好，具有低泛化錯誤率和高未知數據預測準確性，但對大規模數據集處理效率低，且對缺失數據敏感［27， 30， 31］。KNN簡單易實現，對于非線性數據有效，但對數據存儲及計算復雜度要求高，對數據的局部結構非常敏感。DT易于解釋，但容易過擬合，穩定性較差［30］。LR實施簡單，結果易解釋，但需要大量特征，對于大特征空間性能不佳，且在處理非線性問題上能力較弱［30］。研究結果顯示，XGBoost模型的AUC值及準確度最高。通過SHAP值進一步分析XGBoost特征集得出動脈期NIC、靜脈期100 keV的CT值、動脈期100 keV的CT值、靜脈期IC、動脈期Neff-Z在預測甲狀腺良惡性結節中有良好的診斷效能，其中尤以動脈期NIC效能最高。可能是因為甲狀腺為攝碘儲碘器官，當甲狀腺發生病變時，良、惡性結節對甲狀腺組織破壞程度不一，導致病變區域碘含量發生不同程度改變，增強動脈期NIC能更好地反映良惡性結節在這方面的差異。因此，動脈期NIC在XGBoost模型下預測甲狀腺性質中有良好診斷效能。

盡管本研究創新地把光譜CT參數結合機器學習模型應用于甲狀腺良惡性結節的鑒別，但也存在一定的局限性：首先，本研究是回顧性分析，需要更多外部驗證隊列來進一步驗證我們的結果。其次，病例數相對較少，機器學習模型易出現過度擬合，今后應當擴充樣本量并結合放射組學，以獲得更好的預測結果。此外，DLCT檢查時輻射暴露應當引起我們重視，未來還需要采用相應技術手段減少輻射劑量。

綜上所述，本研究顯示DLCT的多個定量參數可作為預測甲狀腺良惡性結節的影像學指標，基于這些參數構建的XGBoost模型在鑒別良惡性方面具有良好的診斷效能，可作為鑒別甲狀腺結節的一種方法，為臨床進一步治療提供更多可靠信息。

參考文獻：

［1］" "Locati L， Cavalieri S， Dal Maso L， et al. Rare thyroid malignancies in Europe： data from the information network on rare cancers in Europe （RARECAREnet）［J］. Oral Oncol， 2020， 108： 104766.

［2］" "Colonna M， Uhry Z， Guizard AV， et al. Recent trends in incidence， geographical distribution， and survival of papillary thyroid cancer in France［J］. Cancer Epidemiol， 2015， 39（4）： 511-8.

［3］" "Lim H， Devesa SS， Sosa JA， et al. Trends in thyroid cancer incidence and mortality in the United States， 1974-2013［J］. JAMA， 2017， 317（13）： 1338-48.

［4］" "劉宗超， 李哲軒， 張" 陽， 等. 2020全球癌癥統計報告解讀［J］. 腫瘤綜合治療電子雜志， 2021， 7（2）： 1-14.

［5］" "Haugen BR， Alexander EK， Bible KC， et al. 2015 American thyroid association management guidelines for adult patients with thyroid nodules and differentiated thyroid cancer： the American thyroid association guidelines task force on thyroid nodules and differentiated thyroid cancer［J］. Thyroid， 2016， 26（1）： 1-133.

［6］" "Gharib H， Papini E， Garber JR， et al. American association of clinical endocrinologists， American college of endocrinology， and associazione medici endocrinologi medical guidelines for clinical practice for the diagnosis and management of thyroid nodules： 2016 update［J］. Endocr Pract， 2016， 22（5）： 622-39.

［7］" "Goundan PN， Mamou J， Rohrbach D， et al. A preliminary study of quantitative ultrasound for cancer?risk assessment of thyroid nodules［J］. Front Endocrinol， 2021， 12： 627698.

［8］" "Forghani R. An update on advanced dual?energy CT for head and neck cancer imaging［J］. Expert Rev Anticancer Ther， 2019， 19（7）： 633-44.

［9］nbsp; "Sananmuang T， Agarwal M， Maleki F， et al. Dual energy computed tomography in head and neck imaging： pushing the envelope［J］. Neuroimaging Clin N Am， 2020， 30（3）： 311-23.

［10］ Hong YQ， Zhong LJ， Lv X， et al. Application of spectral CT in diagnosis， classification and prognostic monitoring of gastrointestinal cancers： progress， limitations and prospects［J］. Front Mol Biosci， 2023， 10： 1284549.

［11］ Zou Y， Zheng MZ， Qi ZY， et al. Dual-energy computed tomography could reliably differentiate metastatic from non?metastatic lymph nodes of less than 0.5 cm in patients with papillary thyroid carcinoma［J］. Quant Imaging Med Surg， 2021， 11（4）： 1354-67.

［12］ Li L， Cheng SN， Zhao YF， et al. Diagnostic accuracy of single-source dual?energy computed tomography and ultrasonography for detection of lateral cervical lymph node metastases of papillary thyroid carcinoma［J］. J Thorac Dis， 2019， 11（12）： 5032-41.

［13］ Borges AP， Antunes C， Caseiro?Alves F. Spectral CT： current liver applications［J］. Diagnostics， 2023， 13（10）： 1673.

［14］ Choy G， Khalilzadeh O， Michalski M， et al. Current applications and future impact of machine learning in radiology［J］. Radiology， 2018， 288（2）： 318-28.

［15］" Albaradei S， Thafar M， Alsaedi A， et al. Machine learning and deep learning methods that use omics data for metastasis prediction［J］. Comput Struct Biotechnol J， 2021， 19： 5008-18.

［16］ Sung H， Ferlay J， Siegel RL， et al. Global cancer statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021， 71（3）： 209-49.

［17］ Zhou JQ， Yin LX， Wei X， et al. 2020 Chinese guidelines for ultrasound malignancy risk stratification of thyroid nodules： the C-TIRADS［J］. Endocrine， 2020， 70（2）： 256-79.

［18］ Baloch ZW， Asa SL， Barletta JA， et al. Overview of the 2022 WHO classification of thyroid neoplasms［J］. Endocr Pathol， 2022， 33（1）： 27-63.

［19］ Li L， Wang Y， Luo DH， et al. Diagnostic value of single-source dual-energy spectral computed tomography for papillary thyroid microcarcinomas［J］. J Xray Sci Technol， 2017， 25（5）： 793-802.

［20］ Yi RQ， Li T， Xie G， et al. Diagnosis of benign and malignant thyroid nodules by a dual?layer spectral detector CT-based nomogram［J］. Front Oncol， 2023， 13： 1132817.

［21］ Li F， Huang FL， Liu CM， et al. Parameters of dual?energy CT for the differential diagnosis of thyroid nodules and the indirect prediction of lymph node metastasis in thyroid carcinoma： a retrospective diagnostic study［J］. Gland Surg， 2022， 11（5）： 913-26.

［22］ Doha?n O， Baloch Z， Ba?nre?vi Z， et al. RAPID COMMUNICATION： predominant intracellular overexpression of the Na+/I? symporter （NIS） in a large sampling of thyroid cancer cases［J］. J Clin Endocrinol Metab， 2001， 86（6）： 2697-700.

［23］ McCollough CH， Leng S， Yu LF， et al. Dual?and multi-energy CT： principles， technical approaches， and clinical applications［J］. Radiology， 2015， 276（3）： 637-53.

［24］ Jiang LL， Liu DH， Long L， et al. Dual?source dual?energy computed tomography?derived quantitative parameters combined with machine learning for the differential diagnosis of benign and malignant thyroid nodules［J］. Quant Imaging Med Surg， 2022， 12（2）： 967-78.

［25］ Li M， Zheng XP， Gao F， et al. Spectral CT imaging of intranodular hemorrhage in cases with challenging benign thyroid nodules［J］. Radiol Med， 2016， 121（4）： 279-90.

［26］" 齊巧娜， 劉 艷， 陳霽暉， 等. 機器學習XGBoost算法在醫學領域的應用研究進展［J］. 分子影像學雜志， 2021， 44（5）： 856-62.

［27］ Thomas J， Ledger GA， Mamillapalli CK. Use of artificial intelligence and machine learning for estimating malignancy risk of thyroid nodules［J］. Curr Opin Endocrinol Diabetes Obes， 2020， 27（5）： 345-50.

［28］ Luo XQ， Kang YX， Duan SB， et al. Machine learning?based prediction of acute kidney injury following pediatric cardiac surgery： model development and validation study［J］. J Med Internet Res， 2023， 25： e41142.

［29］ Chung H， Ko Y， Lee IS， et al. Prognostic artificial intelligence model to predict 5year survival at 1year after gastric cancer surgery based on nutrition and body morphometry[［J］. J Cachexia Sarcopenia Muscle， 2023， 14（2）： 847-59.

［30］ Dong JF， Xue Q， Chen T， et al. Machine learning approach to predict acute kidney injury after liver surgery［J］. World J Clin Cases， 2021， 9（36）： 11255-64.

［31］ Tseng PY， Chen YT， Wang CH， et al. Prediction of the development of acute kidney injury following cardiac surgery by machine learning［J］. Crit Care， 2020， 24（1）： 478.

（編輯：林" 萍）