雙源CT雙能量成像聯合影像組學在鑒別甲狀腺良惡性結節中的應用價值

Applicationvalueofdual-source dual-energy CTcombinedwithradiomicsindiferentialdiagnosisofbenignand malignant thyroid nodules

FENGQiao1，2，YUEZhibin’，SUNYinghan12，QUAN Jianghail，2，CHENGLiuhui’

1DepartmentofRdiolgyFirstAfliatedHospitalofHnanUniversityofineseMeicine，Zhengzou4ooohna;st Clinical Medical Colege，Henan University of Chinese Medicine，Zhengzhou 45oooo，China.

[Abstract]Objective：Toinvestigatethevalueofdual-sourcedual-energyCcombinedwithradiomicsindiferentialdiagnosis ofbenignandmalignantthyroidnodules.Methods：Atotalof118patientswith128thyroidnodulesconfirmedbypathology wereretrospectivelyanalyzed，inlcuding6Obenignnodulesand68malignantnodules.Allnoduleswererandomlydividedinto atrainingset（85nodules）andavalidationset（43nodules）.Theclinicalandimaging featuresanddual-energyquantitative parameterswerecolected.Clinicalindependentpredictorswerescrenedandtheclinical modelwasconstructedthrough multivariatelogisticregresionanalysis.Theradiomicsfeaturesofnon-enhancedandenhancedimageswereextracted，ndthe LASSOalgorithmwasused toselecttheoptimal features toconstructtheradiomics model.Theclinicalindependentpredictors andradiomicsfeatureswereselectedtoconstructtheclinical-radiomicsmodelandanomogramwasdrawn.ROC curve wasusedtoevaluatedthediagnosiseficiency，DeLong testwasusedtocomparetheAUCvaluesofdiferentmodels，and calibrationcurveanddecisioncurvewereuesdtoevaluatethecalibrationofthemodelanditsclinicalbenefis.Results： Nodulecalcification，aspectratioandnormalizediodineconcentration（NIC）inthearterialphasewereindependentpredictors formalignant thyroidnodulesandwereusedtoconstructtheclinicalmodel.TheAUCvaluesoftheclinicalmodel inthe trainingsetandvalidationsetwere0.86OandO.848，thoseoftheradiomicsmodelwereO.937andO.918，andthoseof the clinical-radiomicsmodelwereO.967andO.937，thehighest.DeLongtestshowedthattherewasasignificantiference between the clinical-radiomics model and the clinical model in the training set（ P?0.05 ）.The calibration curve showed that thepredictionresultsoftheclinical-radiomicsmodelwereconsistentwiththeactualresults，andthedecisioncurveanalysis showedahighclinicalbeneft.Conclusion：Theclinical-radiomicsmodelinthepreoperativeidentificationofbenignand malignant thyroid nodules have high clinical value.

[Keywords] Thyroid nodules;Radiomics;Iodine concentration;Tomography，X-ray computed

甲狀腺結節指甲狀腺內濾泡細胞由于異常增生而形成的組織團塊，是臨床常見的內分泌疾病，其檢出率呈逐年上升趨勢[1]。臨床干預多與結節性質相關，早期準確診斷可幫助治療方案的選擇，減少過度治療。超聲是甲狀腺結節的首選檢查方法，敏感度高，但易受操作者的主觀影響[2]。常規CT檢查甲狀腺結節的影像學特征不典型，結節與周圍甲狀腺組織對比度較差，鑒別診斷困難。雙源CT同時使用2種不同的X線能量采集數據，衍生的碘濃度（IC）能譜曲線斜率 （λ_HU） 等定量參數有助于鑒別腫瘤的良惡性。影像組學是從影像圖像中提取大量多維特征，以反映腫瘤內部異質性。目前有關雙源CT雙能量成像聯合影像組學在甲狀腺良惡性結節中的鑒別診斷性能的研究較少，因此，本研究探討雙源CT雙能量成像聯合影像組學診斷甲狀腺良惡性結節的準確率，以期為臨床早期決策提供參考。

1資料與方法

1.1一般資料

回顧性收集2022年1月至2023年6月中醫藥大學第一附屬醫院經病理證實的甲狀腺結節患者的臨床資料及CT圖像。納入標準： ① 有手術病理結果； ② 甲狀腺結節直徑 ?5mm ③ 術前1個月內行雙源CT雙能量掃描。排除標準： ① 既往行手術治療、細針穿刺活檢者； ②CT 圖像質量欠佳、影響圖像評估及特征提取者。最終納入118例（128個結節），其中男27例，女91例；年齡 14～77 歲，平均 （47.4±13.3） 歲；良性結節60個，惡性結節68個；以2：1的比例分層抽樣，隨機分為訓練集85個和驗證集43個。本研究獲得中醫藥大學第一附屬醫院倫理委員會批準（批號：2022HL-264-01）。

1.2 儀器與方法

采用SiemensSomatomDefinition雙源CT行頸部雙能量掃描。掃描范圍自舌骨下緣至主動脈弓上緣，病灶較大者掃描范圍需包括所有甲狀腺病變組織，掃描期間禁止吞咽。掃描參數：A球管電壓 80kV ，B球管電壓 140kV ，采用CAREDose4D技術，重建層厚、層距均為 1.5mm 。增強掃描經肘靜脈團注對比劑碘海醇（碘濃度 350mg/mL ，揚子江藥業），注射流率 3.5mL/s ，劑量 1.0mL/kg 體質量，選用自動觸發掃描，ROI置于主動脈弓，觸發閾值 ⁸⁰HU ，延遲25、50s分別行動脈期和靜脈期掃描。

1.3雙能量定量參數測量

將增強掃描圖像傳人后處理工作站，打開DualEnergy軟件并點擊“LiverVNC\"生成碘圖，在結節最大層面中心位置手動勾畫ROI，大小 0.5～10mm² 注意避開壞死、鈣化區域。記錄ROI的IC值并計算標準化碘濃度（normalized iodine concentration，NIC）， NIC=IC_ROI/IC 頸內動脈（圖1）。點擊“Monoenegetic”得到 40～190keV 的單能量圖像，在每隔 10keV 的單能量圖像中測量結節的CT值，^HU=（CT40 kev-（204號 CT_100keV）/（100-40）^[3]

圖1甲狀腺腺瘤雙源CT雙能量掃描圖像注：患者，女，33歲，甲狀腺左側葉腺瘤。圖 1a～1c 分別為平掃、動脈期和靜脈期雙能量融合圖像；圖1d，1e為動脈期、靜脈期碘圖中甲狀腺腺瘤 ROI₁ 和同側頸總動脈ROI碘濃度（IC）測定示意圖

1.4影像特征分析

由2位低年資（5年工作經驗）放射科醫師采取雙盲法分析影像學特征，意見分歧時由第3位高年資（10年以上工作經驗）醫師作出最終決定。在增強掃描融合序列中評估結節邊緣、鈣化、縱橫比[4]、強化程度及周圍組織侵犯?？v橫比是動脈期軸位圖像上結節最大層面前后徑和橫徑的比值。

1.5影像組學特征分析

使用ITK-SNAP軟件打開平掃、動脈期和靜脈期薄層DICOM圖像，由上述低年資放射科醫師中的1位沿結節邊緣手動逐層勾畫ROI并合成VOI，盡量避開鈣化及正常甲狀腺組織（圖2），勾畫結束后由上述高年資醫師審閱并修正分割結果。

使用PyRadiomics軟件從平掃、動脈期和靜脈期圖像中提取影像組學特征，包括形狀、一階和紋理特征，每期提取1967個特征，共計5901個特征。分割完成后1個月，隨機抽取40例由上述另一位低年資放射科醫師重新分割并計算ICC，選擇 ICCgt; 0.8的特征，特征標準化處理使用 Z -Score，采用Mann-Whitney U 檢驗篩選 P?0.05 的特征，后采用最小絕對收縮和選擇算子（leastabsoluteshrinkageandselectionoperator，LASSO）算法行10倍交叉驗證，選擇使模型誤差最小的最佳懲罰函數入并保留系數不為0的特征。

圖2甲狀腺腺瘤合成VOI示意圖注：患者，女，43歲，甲狀腺左側葉濾泡性腺瘤。圖2a～2d分別為CT原始圖像、平掃、動脈期和靜脈期結節ROI勾畫圖像，圖2e為左側葉結節VOI

1.6 模型構建

組間臨床影像學特征、定量參數比較行單因素、多因素logistic回歸分析，多因素logistic回歸分析中P?0.05 的特征用于構建臨床模型；經LASSO算法降維后保留的影像組學特征建立影像組學模型；聯合臨床獨立預測因素與影像組學特征建立臨床-影像組學模型并繪制列線圖。

1.7統計學分析

采用SPSS26.0、R語言（版本4.2.3）軟件進行統計分析。符合正態分布的定量資料以 表示，組間比較行獨立樣本 Φ_t 檢驗；不符合正態分布時，以M（Q₁，Q₃） 表示，組間比較行Mann-Whitney U 檢驗。定性資料以例 （% ）表示，組間比較行 χ² 檢驗。繪制ROC曲線驗證模型性能，采用DeLong檢驗比較AUC；基于臨床-影像組學模型繪制列線圖，校準曲線評估模型預測結果與實際結果的一致性，決策曲線分析量化模型在不同閾值概率下的臨床凈收益。以P?0.05 為差異有統計學意義。

2結果

2.1訓練集及驗證集中良惡性結節臨床、影像學特 征比較

訓練集及驗證集中良惡性結節組間鈣化、周圍組織侵犯、縱橫比、動脈期NIC和動脈期 λ_HU 比較，差異均有統計學意義 （P?0.05） ；其余指標差異均無統計學意義（均 Pgt;0.05 ）（表1）。

表1訓練集及驗證集中良惡性甲狀腺結節的臨床、影像學特征比較

注：NIC為標準化碘濃度， λ_HU 為能譜曲線斜率。

2.2 臨床模型的建立

單因素logistic回歸分析表明，鈣化、周圍組織侵犯、縱橫比和動脈期NIC可能是甲狀腺惡性結節的獨立預測因素（ P?0.05 ）；多因素logistic回歸分析表明，鈣化、縱橫比和動脈期NIC是甲狀腺惡性結節的獨立預測因素（ P?0.05 ），用于構建臨床模型（表2）。

表2臨床、影像學特征的單因素、多因素logistic回歸分析

注：NIC為標準化碘濃度， λ_HU 為能譜曲線斜率。

2.3影像組學特征選擇及模型建立

平掃、動脈期和靜脈期特征經LASSO算法篩選（圖3）后選擇1個動脈期紋理特征：灰度共生矩陣（grey-level co-occurrence matrix，GLCM），基于GLCM建立影像組學模型。影像組學評分計算公式：影像組學評分 =-0.117+2.933× gradient_glcm_Imc1。

2.4臨床-影像組學模型及列線圖的建立

將鈣化、縱橫比、動脈期NIC和GLCM用于建立臨床-影像組學模型，并以列線圖形式呈現（圖4）。

圖3最小絕對收縮和選擇算子（LASSO）算法篩選影像組學特征圖注：圖3a為均方根差隨入變化的示意圖，圖3b為系數隨入變化的示意圖。 λ 為最佳懲罰函數圖4基于臨床-影像組學模型構建的列線圖注：NIC為標準化碘濃度

2.53種預測模型的診斷效能比較

繪制3種預測模型在訓練集、驗證集中的ROC曲線（圖5）。臨床-影像組學模型在訓練集和驗證集中的AUC均最高，分別為 0.967，0.937 ，準確率、特異度和敏感度分別為 94.1%.97.5%.91.1% 和 90.7% 、90.0%.91.3% 。DeLong檢驗表明，在訓練集中臨床-影像組學模型與臨床模型的AUC差異有統計學意義 P?0.05） （表3）。

校準曲線顯示，臨床-影像組學模型在訓練集和驗證集中的預測結果與實際結果一致性良好（圖6）。決策曲線分析顯示，在大多數閾值概率下，臨床-影像組學模型的臨床應用價值更高（圖7）。

3討論

近年來，甲狀腺結節的檢出率日益上升，其良惡性鑒別多依靠CT征象，如鈣化、囊變及頸部淋巴結轉移等，但甲狀腺為軟組織密度，平掃與周圍分界稍欠清，常規CT難以準確診斷。雙源CT可同時發出高、低能量射線，還可分離基物質，其定量參數有助于甲狀腺良惡性結節的鑒別診斷[5-6]。影像組學在呼吸、消化系統等腫瘤的二分類任務及療效評估中表現優異。本研究建立了3種甲狀腺良惡性結節預測模型并對其性能進行比較，提示臨床-影像組學模型鑒別良惡性結節的AUC最高，有一定的臨床應用價值。

表3各模型的診斷效能

注： ?_：P₁ 為與臨床模型比較的 P 值 ，P₂ 為與影像組學模型比較的 P 值。

圖5臨床模型、影像組學模型、臨床-影像組學模型診斷甲狀腺惡性結節的 ROC曲線注：圖5a為訓練集，圖5b為驗證集圖6臨床-影像組學模型的校 準曲線注：圖6a為訓練集，圖6b為驗證集圖7臨床模型、影像組學模型和 臨床-影像組學模型的決策曲線

有研究指出NIC可作為腫瘤研究的重要指標[7-8]，NIC是經過標準化后的碘濃度，可減小個體及設備參數等因素間差異。本研究中，動脈期良性結節NIC值高于惡性結節，可能是因為良性結節中濾泡上皮細胞雖被破壞，但仍殘存攝碘功能，惡性結節中濾泡細胞常被癌細胞和纖維結締組織取代，故碘攝取率低于良性結節[5.9-10]。Li等[6]研究指出鈣化是甲狀腺惡性結節的特征性表現，與本研究結果相似。本研究中縱橫比為軸位圖像上結節最大層面前后徑與橫徑的比值，良性結節縱橫比多 lt;1 ，原因可能與結節生長方式有關，良性結節多呈橢圓形，縱徑較小，當結節形狀趨于細長時，縱徑變大，惡性概率隨之增加[11-13]。甲狀腺結節縱橫比在CT診斷中報道較少，超聲檢查時主觀操作對結節施加壓力可能會使結節變形，而CT檢查能客觀顯示結節的真實狀態。本研究多因素logistic回歸分析中縱橫比 P= 0.002，說明該指標可作為重要的CT特征。

NIC、鈣化及縱橫比多由人工測量和判斷，可能存在誤差，而GLCM屬于高維紋理特征，是描述體素之間相對位置和灰度級關系的矩陣，且不受主觀因素影響；甲狀腺惡性結節內同時存在新生血管和變性壞死組織，結節體素間差異增大，而良性結節生長緩慢，內部異質性低[14-15]，因此，甲狀腺良惡性結節間的像素灰度關系矩陣相異。本研究以GLCM為最優特征構建影像組學模型，AUC提示GLCM是鑒別良惡性結節強有力的紋理特征，同時該特征可能也適用于其他腫瘤的二分類任務[16]。目前基于單一GLCM特征鑒別良惡性結節的報道較少，后續研究可針對性分析紋理特征在良惡性結節間的差異以支持本研究結果。有研究報道相關影像組學模型鑒別良惡性結節的AUC為 0.85～0.94^[14，17-18] Kong 等[19]使用臨床預測因子和影像組學特征構建的列線圖AUC分別為 0.93，0.84;Lin 等[20采用年齡、形態學特征與影像組學特征構建的聯合模型在外部驗證中AUC為0.923。而本研究中包含動脈期NIC、鈣化、縱橫比和GLCM的臨床-影像組學模型AUC（訓練集為0.967，驗證集為0.937）高于先前研究結果，原因可能是研究指標不僅包括CT特征和紋理特征，還納入了以往較少涉及的定量碘參數及縱橫比，結果表明聯合臨床影像學特征、雙源CT定量參數與影像組學特征建模能更全面、更準確地鑒別甲狀腺良惡性結節。

本研究存在的局限性： ① 為回顧性分析，可能存在選擇偏倚； ② 為單中心研究且樣本量較?。?③ 影像組學病灶分割均采用手動方式，未來可考慮采用自動或半自動分割方法。

綜上所述，臨床-影像組學模型在鑒別甲狀腺良惡性結節中具有良好的診斷效能，為兩者的鑒別提供了新思路。

[參考文獻]

[1]ALEXANDER EK，DOHERTYG M，BARLETTA JA. Management of thyroid nodules[J]. Lancet Diabetes Endocrinol，2022，10（7）：540-548.

[2]RICHMAN D M，BENSON C B，DOUBILET P M，et al. Assessment ofAmerican College of radiology thyroid imaging reporting and data system （TI-RADS）for pediatricthyroid nodules[J].Radiology，2020，294：415-420.

[3]JIANG L，LIU D，LONG L，et al. Dual-source dualenergy 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）：967-978.

[4] ZHAO W，SHEN S，KE T，et al. Clinical value of dualenergy CT for predicting occult metastasis in central neck lymph nodes of papillary thyroid carcinoma [J]. EurRadiol，2024，34（1）：16-25.

[5]YI R，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.

[6]LI Q，SONG Z，ZHANG D，et al. Diagnostic accuracy of dual-energy computed tomography-based nomogram for differentiatingpapillarythyroidmicrocarcinomasfrom micronodular goiters[J].Quant Imaging Med Surg，2023， 13（6） ：3428-3440.

[7］劉宜鑫．雙源CT雙能量成像技術對結直腸癌淋巴結轉 移及Ki-67表達的預測價值[D].大理：大理大學，2024.

[8]WUJ，LV Y，WANG N，et al.The value of singlesource dual-energy CT imaging for discriminating microsatellite instability from microsatellitestability human colorectal cancer[J]. Eur Radiol，2019，29（7）： 3782- 3790.

[9］程留慧，竇允龍，黃方方，等．雙源CT雙能量成像在甲狀 腺良惡性結節鑒別中的應用價值[J]．臨床放射學雜志， 2023，42（6）：915-919.

[10］隋愿，張麗英，王興龍，等．雙能量CT增強碘圖形態學 特征聯合標準化碘濃度對良惡性甲狀腺結節的鑒別診 斷價值[J]．癌癥進展，2022，20（21）：2206-2209.

[11]侯錦路，臧秀，吳家偉，等．縱橫比及強化殘圈征在CT 增強掃描鑒別甲狀腺良惡性結節中的價值[J].中國中 西醫結合影像學雜志，2022，20（5）：414-417.

[12]楊健惠，倪城，蔣華東，等．CT對微小甲狀腺乳頭狀癌 與微小結節性甲狀腺腫的鑒別診斷價值[J]．中國中西 醫結合影像學雜志，2024，22（5）：509-514.

[13]楊慶池，言偉強．病灶縱橫徑比（A/T）在甲狀腺良惡性 結節CT診斷中的應用價值[J].影像研究與醫學應用， 2023，7（18）：123-125.

[14]XU H，WANG X，GUAN C，et al. Value ofwholethyroid CT-based radiomics in predicting benign and malignant thyroid nodules[J].Front Oncol，2O22，12： 828259.

[15]LI Z，ZHANG H，CHEN W，et al. Contrast-enhanced CT-based radiomics for the differentiation of nodular goiter from papillary thyroid carcinoma in thyroid nodules[J]. Cancer Manag Res，2022，14：1131-1140.

[16]WEI X，YAN X J，GUO Y Y，et al. Machine learningbased gray-level co-occurrence matrix signature for predicting lymph node metastasis in undiferentiatedtype early gastric cancer[J]. World J Gastroenterol， 2022，28（36）：5338-5350.

[17]ZHANG H，YANG Y F，YANG C，et al.A novel interpretable radiomics model to distinguish nodular goiter from malignant thyroid nodules［J].J Comput Assist Tomogr，2024，48（2）：334-342.

[18]WU X，LI J，MOU Y，et al. Radiomics nomogram for identifying sub-lcm benign and malignant thyroid lesions[J].Front Oncol，2021，11：580886.

[19]KONG D，ZHANG J，SHAN W，et al. Evaluation of radiomics models based on computed tomography for distinguishing between benign and malignant thyroid nodules[J].J Comput Assist Tomogr，2022，46（6） ：978- 985.

[20] LIN S，GAO M，YANG Z，et al. CT-based radiomics models for differentiation of benign and malignant thyroid nodules：a multicenter development-and-validation [J].AJR Am J Roentgenol，2024，223（5）：e2432235.

（收稿日期 2024-06-2.8）