超聲影像組學聯(lián)合模型預測甲狀腺乳頭狀癌同側(cè)頸部中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移的價值

摘要：目的 探討超聲檢查聯(lián)合模型預測甲狀腺乳頭狀癌（PTC）同側(cè)中央?yún)^(qū)頸部淋巴結(jié)轉(zhuǎn)移（CLNM）的價值。方法 "回顧性分析南方醫(yī)科大學南方醫(yī)院2021年1～7月137例經(jīng)病理證實的PTC患者的臨床資料及術(shù)前甲狀腺超聲二維影像，根據(jù)術(shù)后病理結(jié)果將患者分為轉(zhuǎn)移組65例，非轉(zhuǎn)移組72例。所有患者均淋巴結(jié)行預防性中央?yún)^(qū)淋巴結(jié)清掃，并根據(jù)術(shù)后病理結(jié)果分為轉(zhuǎn)移組和非轉(zhuǎn)移組。在超聲影像中手動勾畫病變，從處理后的超聲圖像中導出了紋理特征。然后使用ICC、統(tǒng)計篩選、相關(guān)系數(shù)篩選以及LASSO方法，最終將LASSO篩選的非0特征作為輸入，進行影像特征模型建模。將137例患者的臨床有效信息構(gòu)建與影像特征模型相同的臨床特征模型。將影像特征與臨床特征相結(jié)合，構(gòu)建聯(lián)合模型。結(jié)果 "在影像特征模型中，ExtraTrees模型表現(xiàn)最佳，訓練集和測試集的曲線下面積分別為0.895和0.836。臨床特征的最優(yōu)模型也是ExtraTrees模型，訓練集和測試集的曲線下面積分別為0.843和0.701。而聯(lián)合模型的預測能力最好，訓練集和測試集的曲線下面積分別為0.900和0.854。結(jié)論 "結(jié)合影像特征和臨床特征的聯(lián)合模型對PTC同側(cè)CLNM的預測能力較好，可為臨床決策提供一種無創(chuàng)、有效的方法。

關(guān)鍵詞：甲狀腺乳頭狀癌；淋巴結(jié)轉(zhuǎn)移；影像組學；紋理分析

Value of ultrasonography combined with model in predicting ipsilateral central cervical lymph node metastasis in papillary thyroid carcinoma

ZHOU Yuhao1， HUANG Lihua1，WEN Ge2

1Department of Medical Ultrasonics， Nanfang Hospital Zengcheng Campus， Southern Medical University， Guangzhou 511338， China; 2Imaging Center of Southern Hospital， Southern Medical University， Guangzhou 510515， China

Abstract： Objective To investigate the value of ultrasound combined model in predicting ipsilateral central cervical lymph node metastasis （CLNM） in papillary thyroid carcinoma （PTC）. Methods The clinical data and preoperative two-dimensional ultrasound images of 137 patients with pathologically confirmed PTC in Nanfang Hospital of Southern Medical University from January 2021 to July 2021 were retrospectively analyzed， and they were were divided into metastatic group （n=65） and non-metastatic group （n=72） by postoperative pathological results. All patients underwent prophylactic central lymph node dissection. The lesions were delineated manually in the ultrasound images， and the texture features were derived from the processed ultrasound images. Then ICC， statistical screening， correlation coefficient screening and LASSO method were used， and the non-0 features filtered by LASSO were used as input to build the image feature model. 137 patients' clinically effective information was used to construct the same clinical feature model as the image feature model. A combined model was constructed by combining imaging features with clinical features. Results Among the image feature models， the ExtraTrees model has the best performance， and the AUC of the training set and the test set are 0.895 and 0.836 respectively. The optimal model for clinical features is also the ExtraTrees model， with AUC of 0.843 and 0.701 in the training and test sets， respectively. The combined model has the best predictive ability， with AUC of 0.900 and 0.854 for the training set and test set， respectively. Conclusion The combined model combining imaging features and clinical features has a good ability to predict CLNM in the ipsilateral central region of PTC， and it can provide a non-invasive and effective method for clinical decision-making.

Keywords： thyroid papillary carcinoma; lymph node metastasis; imaging omics; texture analysis

近年來，甲狀腺癌的發(fā)病率呈明顯上升趨勢［1］ 。甲狀腺乳頭狀癌（PTC）是占甲狀腺癌的90%以上［2-3］ 。頸部中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移（CLNM）是PTC復發(fā)的重要因素，不進行中央?yún)^(qū)淋巴結(jié)清掃或清掃不完整可能會增加復發(fā)風險，降低患者的生活質(zhì)量，或?qū)︻A后產(chǎn)生不利影響。PTC手術(shù)方式多樣，各術(shù)式各有優(yōu)劣，各指南和不同學者提出的觀點也各不相同，PTC手術(shù)的合理選擇是外科醫(yī)師亟待解決的難題［4］ 。提高CLNM的診斷水平，對外科手術(shù)方式的選擇和預后判斷具有重要意義［5］ 。超聲在PTC及其頸部淋巴結(jié)轉(zhuǎn)移的診斷上具有非常重要的價值［2-3］ 。但超聲對檢查頸部淋巴結(jié)轉(zhuǎn)移的敏感度為63%［7］ ，對CLNM的敏感度僅33%。體積小的轉(zhuǎn)移淋巴結(jié)難以被超聲發(fā)現(xiàn)，并且中央?yún)^(qū)淋巴結(jié)周圍有氣管等組織的遮擋。雖然細針穿刺活檢是確認淋巴結(jié)轉(zhuǎn)移最準確的方法，但臨床不可能對每個區(qū)域的淋巴結(jié)進行穿刺［8］ ，且受超聲醫(yī)師檢查方法和技巧、診斷經(jīng)驗等因素的影響，導致部分PTC發(fā)生CLNM會出現(xiàn)漏診。目前對PTC患者CLNM的術(shù)前有效評估方法仍然缺乏［9］ ，急需探索出新的診斷方法來為外科醫(yī)生提供更多有價值的信息。

機器學習是一門多學科交叉專業(yè)。影像組學可通過機器學習建立預測模型，用于診斷和預測預后和療效［10］ ，彌補傳統(tǒng)影像診斷依靠人眼識別征象和經(jīng)驗判斷的不足。通過基于超聲的影像組學，建立預測模型評估PTC患者CLNM的情況，是解決該問題的新思路。但既往關(guān)于超聲影像組學預測PTC患者CLNM的研究大多數(shù)僅僅基于影像組學模型，沒有加入臨床特征模型。本研究基于超聲影像組學方法對PTC患者的超聲二維圖像的病灶進行量化提取，為影像特征模型選擇了多種不同的機器學習方法，將患者的臨床風險因素通過不同的機器學習方法構(gòu)建臨床特征模型，將影像特征模型和臨床特征模型采用邏輯回歸算法整合，組建聯(lián)合模型，最終將3種模型用于預測PTC同側(cè)CLNM的發(fā)生，旨在提高預測CLNM的準確率，為外科醫(yī)師進行術(shù)式的選擇以及個體化的治療策略提供指導。

1 "資料與方法

1.1 "一般資料

回顧性收集2021年1～7月于南方醫(yī)科大學南方醫(yī)院確診并收治的PTC患者137例，其中男性54例，女性83例，年齡13～68（40.22±12.37）歲。所有患者均淋巴結(jié)行預防性中央?yún)^(qū)淋巴結(jié)清掃，并根據(jù)術(shù)后病理結(jié)果分為轉(zhuǎn)移組（n=65）和非轉(zhuǎn)移組（n=72）。本研究獲得了南方醫(yī)科大學倫理委員會的批準（倫理審批編號：NFEC-2024-004）。

納入標準：術(shù)前細針穿刺病理證實為PTC，手術(shù)病理明確有無CLNM；術(shù)前未進行任何的抗腫瘤治療；病灶同側(cè)接受中央?yún)^(qū)淋巴結(jié)清掃；PTC為單發(fā)結(jié)節(jié)，或多發(fā)結(jié)節(jié)中病理學檢查證實為單發(fā)PTC，其余結(jié)節(jié)為良性。排除標準：超聲報告顯示有多個結(jié)節(jié)且術(shù)后PTC無法確定為唯一；未進行有效的中央?yún)^(qū)淋巴結(jié)清掃；穿刺未能獲取病理結(jié)果；術(shù)前接受過任何抗癌治療。

1.2 "儀器與檢查方法

患者分別采用西門子Acuson Sequoia、飛利浦Affiniti 70w以及東芝Aplio 500彩色多普勒超聲診斷儀，探頭頻率均為7.5～12.0 MHz。患者取仰臥位，充分暴露頸部，采用橫切、縱切以及斜切面對甲狀腺病灶進行多切面、多角度掃查。在超聲二維影像的基礎(chǔ)上，行彩色多普勒超聲檢查，觀察病灶內(nèi)部及周邊血流情況。選取最佳的橫切面和縱切面兩幅圖存取備用。超聲影像資料的采集由具有10年以上工作經(jīng)驗的超聲醫(yī)師進行。

1.3 "超聲影像組學分析

1.3.1 "特征勾畫 " 使用3D Slicer5.2.1軟件，由2位具有10年以上工作經(jīng)驗的超聲醫(yī)師手動勾畫病灶作為感興趣區(qū)（ROI），確保有效病灶區(qū)域均在勾畫范圍內(nèi)（圖1）。

1.3.2 "特征提取 " 超聲影像學所有手工制作的特征均從醫(yī)學圖像中使用Python3.7.12中的pyradiomics3.1.0（http：//pyradiomics.readthedocs.io）提取。在提取前，超聲二維圖像經(jīng)過了重新采樣和灰度離散化，符合圖像生物標記標準化倡議制定的標準。

利用小波、平方、平方根、梯度、對數(shù)、指數(shù)、二維局部二值模式、三維局部二值模式（lbp-3D）等方法對處理后的超聲二維圖像進行紋理特征提取。從每個ROI中提取出了1561個影像學特征，涵蓋統(tǒng)計、形狀、紋理和空間分布屬性等107種特征類型。在每個患者的橫切面和縱切面提前整合之后，共得到3122個影像組學特征。這些特征是通過小波濾波生成的，采用了不同方向的穩(wěn)態(tài)小波變換，并包括了峰度圖（lbp-3D-k）、lbp-3D-m1和lbp-3D-m2 等子類別。

1.3.3 "特征選擇 " 為減少過擬合，同時為提取模型的泛化能力，對提取的影像特征進行篩選、降維。采用組內(nèi)相關(guān)系數(shù)（ICC）評估2位研究者手工勾畫ROI之間的重復性，具有良好重復性（ICCgt;0.8）的影像學特征被選中，用于是否發(fā)生CLNM的比較；對所有影像組學特征進行了t檢驗和特征篩選，僅保留具有Plt;0.05的特征。因此篩選出了373個影像特征。

將具有較好可重復性的特征進行Spearman秩相關(guān)系數(shù)分析。如果任何2個特征之間的相關(guān)系數(shù)超過了0.9，就保留其中一個。為確保篩選出的每個特征最具有代表性，本研究使用了遞歸刪除策略，刪除了最冗余的特征。最終篩選出23個有效影像特征。隨后發(fā)現(xiàn)數(shù)據(jù)相對集中，故采用最小絕對值收縮和選擇運算子（LASSO）回歸模型來構(gòu)建影像特征模型。選擇與頸部CLNM相關(guān)度最高、冗余最小的特征，通過使用最小標準方法進行10折交叉驗證來確定最佳的正則化權(quán)重（λ），選擇產(chǎn)生最低交叉驗證誤差的λ值。

最終，具有非零系數(shù)的16個特征被用于模型擬合，并合并成一個影像特征模型。LASSO回歸建模使用了Python scikit-learn包。

1.3.4 "模型構(gòu)建 " 影像特征模型：在LASSO特征篩選之后，對所識別的特征應用了常見的機器學習方法，包括了以下7種模型：線性模型的邏輯回歸（LR）、支持向量機（SVM）、隨機森林（RF）、極其隨機的森林（ET）、XG Boost、Light GBM、多層感知機算法（MLP），以建立影像特征模型，捕捉潛在的風險因素。

臨床特征模型：構(gòu)建臨床特征模型的過程與影像特征模型幾乎相同。利用年齡和性別作為輸入變量，本研究構(gòu)建了臨床特征模型，捕捉了相關(guān)的臨床指標。

聯(lián)合模型：將影像特征與臨床特征相結(jié)合，構(gòu)建了聯(lián)合模型。在測試隊列中，通過生成ROC曲線來嚴格評估聯(lián)合模型的性能。為了比較臨床特征模型、影像特征模型和聯(lián)合模型的性能，本研究采用了Delong檢驗。還繪制了校準曲線來評估聯(lián)合模型預測的精度，并使用Hosmer-Lemeshow分析對校準進行了額外評估。此外，采用決策曲線分析（DCA）來量化預測聯(lián)合模型的臨床實用性。

1.4 "統(tǒng)計學分析

采用Python3.7.12進行分析；通過scikit?learn v1.0.2接口進行機器學習模型的開發(fā)。采用Shapiro法評估臨床特征的正態(tài)性，正態(tài)分布的計量資料以均數(shù)±標準差表示，組間比較采用t檢驗；非正態(tài)分布的計量資料以中位數(shù)（四分位數(shù)間距）表示，組間比較采用Mann-Whitney U檢驗；計數(shù)資料以n（%）表示，組間比較采用χ2檢驗。以Plt;0.05為差異有統(tǒng)計學意義。

2 "結(jié)果

2.1 "影像特征模型構(gòu)建

2.1.1 "特征統(tǒng)計概述 " 每位患者的每張橫切面和縱切面分別提取了1561個影像特征，包括360個一階特征、14個形狀特征和1組紋理特征，其中紋理特征分為包含了GLCM 374個、GLSZM 272個、NGTDM 85個、GLRLM 272個、GLDM 238個。患者縱切面和橫切面的數(shù)據(jù)被提前整合，最終得到3122個特征（圖2）。

2.1.2 "LASSO特征選擇 " 來自10折驗證的系數(shù)的均方誤差結(jié)果（圖3A、B）。保留的16個非零系數(shù)、相關(guān)性最強的超聲影像組學特征和相對應的系數(shù)（圖3C）。

2.1.3 "影像特征模型的評估 " 對所有機器學習算法進行評估，結(jié)果顯示所有模型的AUC均達到了0.7或更高（表2）。根據(jù)模型計算得分，繪制ROC曲線（圖4）。

2.2 "臨床特征模型構(gòu)建

2.2.1 "患者臨床數(shù)據(jù)分析 " 回顧性分析臨床參數(shù)中包括年齡和性別2個參數(shù)，單變量邏輯回歸分析結(jié)果顯示，年齡的P值為0.008（OR： 0.989， 95% CI： 0.982～0.996），性別的P值為0.362（OR： 0.1.101；95%CI： 0.924～1.313，表3、圖5A）。年齡是顯著的臨床特征，將其納入聯(lián)合模型的臨床特征模型中。

Spearman相關(guān)分析結(jié)果顯示，性別與PTC發(fā)生同側(cè)中央?yún)^(qū)頸部淋巴結(jié)轉(zhuǎn)移的相關(guān)系數(shù)為0.041，二者間無明顯相關(guān)性；性別與年齡的相關(guān)系數(shù)為-0.012，二者間無明顯的相關(guān)性。相對而言，年齡與PTC發(fā)生同側(cè)中央?yún)^(qū)頸部淋巴結(jié)轉(zhuǎn)移的相關(guān)系數(shù)為-0.253（圖5B）。

2.2.2 "評估指標 " 用和影像特征模型一致的7種常見機器學習方法（LR、SVM、RF、ET、XG Boost、Light GBM、MLP）進行了臨床特征模型評估，繪制ROC曲線，最佳臨床模型均為ET模型（表4、圖6）。

2.3 "模型比較

2.3.1 "AUC性能 " 訓練隊列中，影像特征模型預測的AUC為0.895（95% CI：0.8345～0.9554）；臨床特征模型預測的AUC為0.843（95% CI：0.7660～0.9206）；聯(lián)合模型預測的AUC為0.900（95% CI：0.8406～0.9591）。測試隊列中，影像特征模型預測的AUC為0.836（95% CI：0.7146～0.9565）；臨床特征模型預測的AUC為0.701（95%CI：0.5369～0.8659）；聯(lián)合模型預測的AUC為0.854（95% CI：0.7392～0.9691，表5、圖7）。

臨床特征模型、影像特征模型和聯(lián)合模型性能差異性的Delong檢驗結(jié)果顯示，在訓練隊列和測試隊列中，3種模型的AUC差異均無統(tǒng)計學意義（Pgt;0.05，圖8）。

2.3.2 "校準曲線 " 聯(lián)合模型整合在訓練隊列和測試隊列中的計算校準曲線的量化結(jié)果分數(shù)分別為0.232和0.338（圖9）。

2.3.3 "DCA " 影像特征模型、影臨床特征模型和聯(lián)合模型的DCA結(jié)果顯示。當風險閾值為0.22～0.64時，聯(lián)合模型的凈收益（即對PTC患者發(fā)生CLNM的預測能力）高于影像特征模型和臨床特征模型（圖10）。將PTC患者影像特征模型篩選出來的紋理特征及臨床特征通過邏輯回歸算法共同構(gòu)建聯(lián)合模型的列線圖（圖11）。

3 "討論

臨床診斷PTC的首選檢查方式是超聲檢查，伴隨著超聲引導下甲狀腺細針穿刺的廣泛應用，PTC的檢出率逐年升高。國外已經(jīng)主張對cN0狀態(tài)的PTC患者僅需行甲狀腺葉切除術(shù)，不再進行預防性中央?yún)^(qū)淋巴結(jié)清掃［11-12］ ，而我國對于中央?yún)^(qū)淋巴結(jié)的清掃術(shù)一直是甲狀腺外科領(lǐng)域爭議的話題，手術(shù)醫(yī)師如何在術(shù)前區(qū)分良性增生淋巴結(jié)與惡性轉(zhuǎn)移淋巴結(jié)是制定具體手術(shù)方案的關(guān)鍵環(huán)節(jié)。

作為診斷PTC的首選方法，超聲檢查對CLNM的檢出率普遍較低。有研究顯示，32.4%～84.3%臨床淋巴結(jié)陰性（cN0）的PTC患者進行甲狀腺全切除術(shù)和中央?yún)^(qū)淋巴結(jié)清掃術(shù)后，最終的病理報告發(fā)現(xiàn)頸部中央?yún)^(qū)轉(zhuǎn)移性淋巴結(jié)陽性［13-16］ ，PTC患者術(shù)前超聲檢查是否發(fā)生了CLNM的假陰性率仍較高。如果能在PTC患者術(shù)前將超聲影像圖像和人工智能計算機輔助診斷，建立有效的CLNM預測模型，減少醫(yī)生的主觀性、降低醫(yī)生的漏診率，更加全面地評估和分析PTC及CLNM的準確性，有利于外科手術(shù)方案的選擇。

既往已有研究通過回顧性分析PTC相關(guān)的頸部淋巴結(jié)的位置、形態(tài)、回聲、血流情況以及是否有鈣化或液化等多種超聲特征，建立預測CLNM的模型，但該模型僅限于超聲可檢出的淋巴結(jié)［17］，無法對超聲假陰性的潛在轉(zhuǎn)移淋巴結(jié)進行判斷。本研究旨在通過構(gòu)建基于超聲影像特征組學和/或臨床特征的預測模型，并對比了3種模型的診斷效能和臨床實用性，以更準確地預測PTC同側(cè)CLNM的發(fā)生，期望這一模型能夠為外科醫(yī)生提供更可靠的術(shù)前評估工具，從而優(yōu)化手術(shù)方式的選擇并改善患者的預后。本研究對提取出來的影像紋理特征使用了ICC、統(tǒng)計篩選、相關(guān)系數(shù)篩選以及LASSO方法，最終將LASSO篩選的非0特征作為輸入，進行影像特征模型建模；隨后，為每個患者計算了一個由保留特征的線性組合加權(quán)得到的影像學得分。本研究對所有機器學習算法進行了評估，7種影像特征模型在訓練隊列中，最佳影像特征模型為RF模型；在測試隊列中，最好的影像特征模型是ET模型。其中，訓練隊列和測試隊列的RF模型的AUC分別為0.984、0.806，可知RF模型在訓練隊列和測試隊列的不一致性，表現(xiàn)出過擬合的趨勢。為了保證影像特征模型的穩(wěn)定性和可持續(xù)性，在訓練隊列和驗證隊列中，ET模型的AUC值較高（0.895和0.836），表現(xiàn)該模型對PTC患者CLNM有著良好且穩(wěn)定的預測作用，明顯優(yōu)于其余6個模型，故本研究最終選擇ET模型作為最佳影像特征模型。

與以往臨床預測研究類似，考慮到甲狀腺炎癥是否與PTC的CLNM有相關(guān)性存在爭議，有較多研究認為兩者無明確相關(guān)性，所以沒有將血清學檢查結(jié)果納入模型當中［18-19］ 。本研究僅選擇性別、年齡納入CLNM相關(guān)危險因素的研究范疇，進而回顧性分析臨床參數(shù)，分別對這兩個參數(shù)進行單變量邏輯回歸分析和臨床特征的Spearman秩相關(guān)系數(shù)，結(jié)果分別為-0.041和-0.253，臨床特征的相關(guān)系數(shù)絕對值越大，意味著此參數(shù)的相關(guān)性越好，因此年齡具有最大的相關(guān)系數(shù)；同時在現(xiàn)有數(shù)據(jù)中，當患者年齡越小，發(fā)生CLNM的幾率反而更大，這與既往研究［20-22］ 結(jié)果也是一致的。因此，本研究結(jié)果也支持對年輕 CLNM患者行常規(guī)中央?yún)^(qū)淋巴結(jié)清掃術(shù)。7種臨床特征模型在訓練和測試隊列中，ET模型對PTC患者CLNM具有一定的預測能力，因此最終選擇ET模型作為最佳臨床特征模型。

在訓練隊列中，臨床特征模型和影像特征模型均得到了滿意的表現(xiàn)。本研究進一步分別總結(jié)和對比了影像特征模型和臨床特征模型的最佳模型（ET）。隨后，采用邏輯回歸算法將影像特征和臨床特征整合到一個聯(lián)合模型中，從而驗證了聯(lián)合模型優(yōu)越的性能。結(jié)果顯示，在影像特征模型的基礎(chǔ)上加入臨床特征風險因素整合的聯(lián)合模型在訓練隊列和測試隊列中的AUC、準確性、敏感度均比臨床特征模型和影像特征模型有了顯著的提高。Delong檢驗也證實了3種模型具有差異性，聯(lián)合模型比其他兩者優(yōu)勢更顯著。聯(lián)合模型的校準圖顯示了在預測是否發(fā)生了CLNM的訓練隊列和測試隊列中，預測結(jié)果與觀察結(jié)果之間的強烈一致性。為檢驗本研究的聯(lián)合模型在訓練隊列和測試隊列中預測患者PTC發(fā)生同側(cè)中央?yún)^(qū)頸部淋巴結(jié)轉(zhuǎn)移與臨床外科切除術(shù)后得到的病理結(jié)果的相符程度，本研究進行了Hosmer-Lemeshow測試，以評估臨床特征模型、影像特征模型和聯(lián)合模型的擬合程度，它能直觀展示模型覺得預測概率與實際發(fā)生轉(zhuǎn)移的一致性，仍是目前評價模型校準度的首選指標。Hosmer-Lemeshow檢驗顯示聯(lián)合模型在訓練隊列和測試隊列中的計算校準曲線的量化結(jié)果分數(shù)分別為0.232和0.338，聯(lián)合模型預測患者PTC同側(cè)CLNM的預測結(jié)果與外科手術(shù)后病理結(jié)果的一致性較好，表示聯(lián)合模型的預測效果好。常規(guī)情況下判斷一種診斷方法是否好用，一般是采用ROC曲線法，并計算其AUC。但是ROC僅從該診斷方法的特異度和敏感度考慮，而在臨床工作中，特異度、敏感度和準確性不代表一定適合患者的診療。為使患者凈獲益最大，本研究通過繪制DCA進一步量化評估聯(lián)合模型對不同需求的患者真正的獲益，結(jié)果顯示3種模型的決策曲線均高于兩條極端線，說明3種模型均可用于預測PTC患者同側(cè)CLNM，其中聯(lián)合模型的患者凈獲益率相對更高，也說明聯(lián)合模型對比影像特征模型和臨床特征模型效能更好。

本研究的局限性在于：聯(lián)合模型數(shù)據(jù)較為單一，僅考慮了患者年齡和影像特征組學。既往研究表明，PTC的大小也已經(jīng)被證實為CLNM的預測因素［23-24］ 。PTC同側(cè)葉單發(fā)或者是多發(fā)也可以成為單變量分析，成為一種獨立的模型，最終加入到聯(lián)合模型中，提高聯(lián)合模型的預測準確性；本研究為單中心研究，且納入樣本有限。尚待今后行大樣本、多中心研究進一步驗證；甲狀腺峽部的乳頭狀癌發(fā)生中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移的幾率最高［25-26］ ，而腫瘤的位置位于甲狀腺中部或者下極的時候，中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移的風險可能會比上極的更高，然而甲狀腺上極的腫瘤發(fā)生頸側(cè)區(qū)部Ⅱ、Ⅲ、Ⅳ區(qū)淋巴結(jié)轉(zhuǎn)移的概率比中、下極要更高［27-28］ ，除了腫瘤的影像組學紋理特征和臨床數(shù)據(jù)，還有基因、腫瘤的位置、腫瘤的大小等等因素可作為預測CLNM的獨立因素；超聲檢查結(jié)果一定程度上受限于檢查操作者經(jīng)驗，可能存在一定偏倚，未來超聲檢查規(guī)范化的操作、診斷和報告有助于減少這種偏倚；人工手工勾畫ROI的腫瘤區(qū)域不可避免會存在偏差。后續(xù)研究將對此作更深入討論。

綜上，與不使用預測模型（即全部治療或不治療方法）的情況相比，聯(lián)合模型在引導具有預測概率的患者干預方面具有非常顯著的優(yōu)勢。采用聯(lián)合模型進行術(shù)前預測是否發(fā)生了CLNM具有顯著的臨床效益，有助于減少醫(yī)生因傳統(tǒng)診斷方式的主觀因素引起的漏診、誤診，提高疾病診斷的準確率，減少對患者不必要的創(chuàng)傷和并發(fā)癥的發(fā)生，為臨床外科醫(yī)生提供更加精準的檢查結(jié)果，提高患者術(shù)后的預后情況和生活質(zhì)量。

參考文獻：

［1］ " Siegel RL， Miller KD， Jemal A. Cancer statistics， 2019［J］. CA A Cancer J Clinicians， 2019， 69（1）： 7-34.

［2］ " "Vaccarella S， Franceschi S， Bray F， et al. Worldwide thyroid-cancer epidemic？ the increasing impact of overdiagnosis［J］. N Engl J Med， 2016， 375（7）： 614-7.

［3］ " Londero SC， Krogdahl A， Bastholt L， et al. Papillary thyroid carcinoma in Denmark， 1996?2008： outcome and evaluation of established prognostic scoring systems in a prospective national cohort［J］. Thyroid， 2015， 25（1）： 78-84.

［4］ " "龔 "勇， 許 "軍. 甲狀腺乳頭狀癌手術(shù)方式選擇與爭議［J］. 中國現(xiàn)代普通外科進展， 2019， 22（2）： 126-9.

［5］ " 段天鵬， 尹建軍. 甲狀腺癌患者的超聲及CT影像學表現(xiàn)及診斷價值［J］. 中國CT和MRI雜志， 2017， 15（2）： 42-4.

［6］ " 袁文利， 王玉梅， 王 "勇， 等. 甲狀腺癌的超聲影像學診斷與病理學對照研究［J］. 中華普外科手術(shù)學雜志： 電子版， 2018， 12（3）： 234-7.

［7］ " Wu LM， Gu HY， Qu XH， et al. The accuracy of ultrasonography in the preoperative diagnosis of cervical lymph node metastasis in patients with papillary thyroid carcinoma： a meta-analysis［J］. Eur J Radiol， 2012， 81（8）： 1798-805.

［8］ " Suh CH， Choi YJ， Lee JJ， et al. Comparison of core-needle biopsy and fine?needle aspiration for evaluating thyroid incidentalomas detected by 18F-fluorodeoxyglucose positron emission tomography/computed tomography： a propensity score analysis［J］. Thyroid， 2017， 27（10）： 1258-66.

［9］ " Du JC， Yang Q， Sun YX， et al. Risk factors for central lymph node metastasis in patients with papillary thyroid carcinoma： a retrospective study［J］. Front Endocrinol， 2023， 14： 1288527.

［10］ Lambin P， Rios-Velazquez E， Leijenaar R， et al. Radiomics： extracting more information from medical images using advanced feature analysis［J］. Eur J Cancer， 2012， 48（4）： 441-6.

［11］ Lebbink CA， Links TP， Czarniecka A， et al. 2022 European Thyroid Association Guidelines for the management of pediatric thyroid nodules and differentiated thyroid carcinoma［J］. Eur Thyroid J， 2022， 11（6）： e220146.

［12］ Sugitani I， Ito Y， Miyauchi A， et al. Active surveillance versus immediate surgery： questionnaire survey on the current treatment strategy for adult patients with low?risk papillary thyroid microcarcinoma in Japan［J］. Thyroid， 2019， 29（11）： 1563-71.

［13］ Ahn BH， Kim JR， Jeong HC， et al. Predictive factors of central lymph node metastasis in papillary thyroid carcinoma［J］. Ann Surg Treat Res， 2015， 88（2）： 63-8.

［14］ Chen Q， Wei T， Wang XL， et al. The total number of prelaryngeal and pretracheal lymph node metastases： is it a reliable predictor of contralateral central lymph node metastasis in papillary thyroid carcinoma？［J］. J Surg Res， 2017， 214： 162-7.

［15］ Ji YB， Yoo HS， Song CM， et al. Predictive factors and pattern of central lymph node metastasis in unilateral papillary thyroid carcinoma［J］. Auris Nasus Larynx， 2016， 43（1）： 79-83.

［16］ Yoo HS， Shin MC， Ji YB， et al. Optimal extent of prophylactic central neck dissection for papillary thyroid carcinoma： comparison of unilateral versus bilateral central neck dissection［J］. Asian J Surg， 2018， 41（4）： 363-9.

［17］ Patel NU， McKinney K， Kreidler SM， et al. Ultrasound-based clinical prediction rule model for detecting papillary thyroid cancer in cervical lymph nodes： a pilot study［J］. J Clin Ultrasound， 2016， 44（3）： 143-51.

［18］ Wang ZP， Chang QG， Zhang HY， et al. A clinical predictive model of central lymph node metastases in papillary thyroid carcinoma［J］. Front Endocrinol， 2022， 13： 856278.

［19］ Luo QW， Gao S， Lv X， et al. A novel tool for predicting the risk of central lymph node metastasis in patients with papillary thyroid microcarcinoma： a retrospective cohort study［J］. BMC Cancer， 2022， 22（1）： 606.

［20］ Oh HS， Park S， Kim M， et al. Young age and male sex are predictors of large-volume central neck lymph node metastasis in clinical N0 papillary thyroid microcarcinomas［J］. Thyroid， 2017， 27（10）： 1285-90.

［21］ Ito Y， Miyauchi A， Kihara M， et al. Patient age is significantly related to the progression of papillary microcarcinoma of the thyroid under observation［J］. Thyroid， 2014， 24（1）： 27-34.

［22］ "田晨曦， 師 "帥， 付言濤. 甲狀腺癌喉前淋巴結(jié)轉(zhuǎn)移的影響因素及預測意義［J］. 中國實驗診斷學， 2021， 25（3）： 458-61.

［23］ "張曉梅， 康燕飛， 桑 "田， 等. 超聲檢查指標聯(lián)合預測甲狀腺乳頭狀癌頸部中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移的價值研究［J］. 中國全科醫(yī)學， 2022， 25（3）： 305-11.

［24］ Medas F， Canu GL， Cappellacci F， et al. Predictive factors of lymph node metastasis in patients with papillary microcarcinoma of the thyroid： retrospective analysis on 293 cases［J］. Front Endocrinol， 2020， 11： 551.

［25］ Campennì A， Giovanella L， Siracusa M， et al. Is malignant nodule topography an additional risk factor for metastatic disease in low-risk differentiated thyroid cancer？［J］. Thyroid， 2014， 24（11）： 1607-11.

［26］ "王文超， 楊 "麗， 張春霞. 伴頸部Ⅵ區(qū)淋巴結(jié)轉(zhuǎn)移的甲狀腺乳頭狀癌臨床分析［J］. 現(xiàn)代腫瘤醫(yī)學， 2017， 25（1）： 45-7.

［27］ "吳偉力， 范麗媯， 王甌晨， 等. 甲狀腺上下極淋巴引流與中央?yún)^(qū)淋巴結(jié)相關(guān)性研究［J］. 中國現(xiàn)代醫(yī)生， 2012， 50（14）： 129-30， 132.

［28］ "邊 "學， 徐震綱， 張 "彬， 等. 分化型甲狀腺癌的頸淋巴轉(zhuǎn)移規(guī)律［J］. 中華耳鼻咽喉頭頸外科雜志， 2006， 41（8）： 599-602.

（編輯：林 "萍）