基于機器學習的女性甲狀腺惡性結節預測模型的建立

中圖分類號：R581 文獻標志碼：A DOI：10.3969/j.issn.1003-1383.2025.08.006

Establishment of a prediction model for malignant thyroid nodules in women based on machine learning

WU Yanyuan ^1，2 ， ZHOU Wei ¹ ， WU Xian ² ， WANG Jian ^1? （20 （1. Key Laboratory of Clinical Laboratory Medicine of Guangxi Department of Education/Department of Clinical Laboratory，theFirst Afliated HospitalofGuangxi Medical University，Nanning53OO21，Guangxi，China; 2.Department of Clinical Laboratory，the Eighth Afliated Hospital of Guangxi Medical University — Guigang City People's Hospital，Guigang 5371oo， Guangxi，China）

【Abstract】ObjectiveTo comparatively evaluate thediagnosticperformance of four machine learning models（light gradientboosting machine[LightGBM]，adaptivebosting[AdaBoost]andK-nearestneighbors[KNN]，andsupportector machine[SVM]）in diferentiating benignandmalignant thyroid nodules in female patients，soas to identifytheoptimal predictivemodel.MethodsClinicaldataof447 femalepatientswith pathologicallconfirmedbenignor malignantthyroid nodules werecollectedfromtheEighthAffliated HospitalofGuangxi MedicalUniversity—Guigang CityPeople'sHospital between1January 2023 and31January 2O24.Key predictive variableswere screened using univariate and multivariate logistic regresson analysis. The samples were divided into modeling set （ n=329 ，collected from January 2023 to October 2023） and independent external validation set （ n=118 ，collected from November 2023 to January 2024）. The modeling set was further randomly split into a training set and a test set at a 7：3 ratio.Model performance was validated using 5-fold crossvalidation.Thediscriminativeperformanceofthemodelswasevaluatedbyindicatorsincludingsensitivity，areaunderthe receiver operating characteristic curve （ AUC ），calibration，and clinical decision curve.ResultsMultivariate logistic regressionanalysisrevealed thatultrasonographicfeatures（multfocality，anteroposterior-to-transversediameterratio，and

Chinese thyroid imaging reporting anddata system[C-TIRADS]grading）and the laboratory marker （thyroid peroxidase antibody[TPOAb]）were key predictive variables（all Plt;0.05 ）.Among the four models，LightGBM performed the best： the AUC of the training set，the validation set and the independent externalvalidation set was O.978，O.918，and0.889， respectively.Furthermore，it demonstrated significant clinical practicalityintermsofcalibration，clinical decisioncurve， andsensitivity.ConclusionLightGBMmodelcanprovideaneficientandstableauxiliarytoolforearlyclinicaldierentiation of benign and malignant thyroid nodules in women.

【Keywords】machine learning；malignant thyroid nodules in women；predictive model;Chinese thyroid imaging reporting and data system（C-TIRADS）；LightGBM

甲狀腺結節（thyroidnodules，TN）是頭頸部常見的腫塊性疾病之一，主要由甲狀腺細胞的異常、局灶性生長引起的離散病變[1]。在中國成人中，通過超聲檢查發現直徑超過0.5厘米的甲狀腺結節的患病率達到 20.43% ，其中 8% 至 16% 為惡性腫瘤[2]。甲狀腺良性結節包括甲狀腺增生結節、甲狀腺囊腫、甲狀腺濾泡腺瘤。甲狀腺癌作為內分泌系統和頭頸部常見的惡性腫瘤之一，在惡性腫瘤發病率中位居第7位，在女性惡性腫瘤發病率中位居第5位[3]。全球女性甲狀腺癌發病率約為男性的3倍，中國女性甲狀腺癌發病率為男性的2至3倍[3-4]。甲狀腺癌可分為分化型甲狀腺癌（DTC），包括甲狀腺乳頭狀癌（PTC）與濾泡性癌，是最常見的甲狀腺惡性腫瘤。近年來，我國甲狀腺癌發病率顯著增加，盡管DTC惡性程度較低，但仍威脅患者的生命健康及生活質量。由于甲狀腺癌早期癥狀不明顯，因此早發現對患者的治療及預后至關重要。

近年來，人工智能技術蓬勃發展，已成為各領域的研究熱點。作為人工智能最具代表性的分支之一，機器學習（machinelearning，ML）包含多種算法，如線性回歸、邏輯回歸、決策樹、隨機森林、支持向量機（SVM）K近鄰分類、樸素貝葉斯和人工神經網絡算法等[5]。本研究選取輕梯度提升（LightGBM）、自適應梯度提升（AdaBoost）、K近鄰分類（KNN）和SVM四種算法構建模型，主要基于以下考量：首先，LightGBM采用直方圖的決策樹生長策略，既能高速處理大規模數據集，又能保持較高的準確率；其次，AdaBoost通過迭代調整樣本權重，可有效處理數據集中的噪聲和異常值，從而提升模型的分類性能[7-8]；再次，KNN基于局部相似性度量的特性，即使在類別分布不均衡的情況下也能保持穩定的分類效能[910]；最后，SVM憑借核函數映射能力，在處理小樣本、非線性等數據集分類問題時，能有效降低數據過擬合風險[1-12]。這四類算法模型各有其特定的應用場景和優勢，因此在實際應用中需要比較和驗證其診斷性能，為臨床診斷模型的選擇提供實證依據

基于上述背景，本研究旨在通過聯合甲狀腺B超檢查結果與甲狀腺功能、生化、血常規、凝血功能等實驗室指標進行相關性分析，構建LightGBM、Ad-aBoost、KNN和SVM四種機器學習預測模型。通過對比分析，最終篩選出最優分類模型，以實現對女性甲狀腺結節的定性診斷，為臨床早期鑒別甲狀腺結節良惡性提供診斷依據。

1 對象與方法

1.1研究對象選取2023年1月1日至2024年1月31日期間在廣西醫科大學第八附屬醫院經甲狀腺病理活檢確診的447例女性患者作為研究對象，其中329例為建模集（2023年1月—10月），118例為外部驗證集（2023年11月—2024年1月）。所有入選者的臨床資料均完整。

1.2納入和排除標準納入標準：（1）首次接受甲狀腺手術的女性患者；（2）術后病理診斷明確；（3）術前完成甲狀腺彩超檢查，并獲得明確的中國甲狀腺影像報告和數據系統（C-TIRADS）分級；（4）檢查項目完整，包括術前1周內的甲狀腺功能、血常規、生化及凝血功能等檢查結果；（5）其他病歷資料齊全。排除標準：（1）近3個月內患有其他感染性疾病，或合并血液系統疾病、自身免疫性疾病、肝炎、結核等可能影響外周血中性粒細胞與淋巴細胞計數的慢性疾病;（2）其他惡性腫瘤病史；（3）臨床資料不完整者；（4）既往有甲狀腺手術史。

1.3 研究方法

1.3.1資料收集按照納入排除標準，收集入選患者的臨床基本信息，包括年齡、民族、體重指數（BMI）、既往史、甲狀腺結節影像學資料、術前甲狀腺功能、生化指標、血常規和凝血四項指標等。根據甲狀腺病理活檢結果，將患者分為兩組：甲狀腺良性病變組和惡性病變組。2023年1月1日至2023年10月31日期間納入的329例患者數據用于構建模型，并按 7：3 的比例隨機分為訓練集和測試集。2023年11月1日至2024年1月31日期間納入的118例患者數據用于最優模型的外部驗證。

1.3.2儀器和設備甲狀腺B超檢查使用GELOGIQC9多普勒超聲診斷儀，血清甲狀腺功能指標檢測使用羅氏COBASE801全自動電化學發光免疫分析儀，生化指標檢測使用羅氏COBASC702全自動生化分析儀，血常規檢測使用SYSMEXXN2800全自動血液體液分析儀，血凝指標檢測使用SYS-MEXCS5100全自動凝血分析儀。

1.3.3模型的建立與驗證建模集按 7：3 分為訓練集（230例）與測試集（99例），訓練集通過5折交叉驗證優化模型參數，測試集評估模型泛化能力。采用單因素logistic回歸分析年齡、民族、體重指數、既往史、甲狀腺結節影像學特征、術前甲狀腺功能、生化指標、血常規及血凝四項等指標，初步篩選出Plt;0.05 的變量。對單因素分析中 Plt;0.05 的變量進行共線性篩選，以方差膨脹系數（varianceinflationfactor，VIF） lt;5 為判斷標準，篩選后的變量納入多因素logistic回歸分析。將 Plt;0.05 的變量作為自變量，分別建立LightGBM、AdaBoost ?.KNN 和SVM四種機器學習模型。通過比較受試者工作特征曲線（ROC）的曲線下面積（ （AUC） 確定最優模型，并采用校準曲線、決策曲線分析（decisioncurveanalysis，DCA）和召回率對最優模型的區分度、校準性和臨床實用性進行驗證與評價，同時進行外部驗證。機器學習模型的建立與驗證流程見圖1。自變量篩選和機器學習模型構建在Deepwiseamp;BeckmanCoulterDxAI平臺上完成。

圖1機器學習模型的建立與驗證流程圖

1.4統計學方法采用SPSS27.0軟件進行統計學分析。使用Shapiro-Wilk檢驗對計量資料進行正態性檢驗。對于符合正態分布的計量資料，以均數 ± 標準差 表示，組間比較采用獨立樣本 χ_t 檢驗;對于非正態分布的計量資料，采用中位數（四分位數間距） [M（P₂₅，P₇₅）] 表示，組間比較采用Mann-Whitney U 檢驗;計數資料以頻數 （n） 和百分率 （%） 表示，組間比較采用 χ² 檢驗；采用單因素和多因素logistic回歸分析篩選關鍵變量。檢驗水準： α= 0.05，雙側檢驗。

2結果

2.1研究對象的臨床基線比較對193例良性甲狀腺結節患者和136例惡性甲狀腺結節患者進行基線分析，結果見表1（建模集數據）。兩組患者的BMI和高血壓史比較差異有統計學意義（ ?Plt;0.05） 。甲狀腺超聲檢查結果顯示，兩組在結節最長徑、多灶性、形狀、縱橫比、質地特征、回聲特征、邊緣清晰度、鈣化情況、C-TIRADS分級及頸部淋巴結腫大等方面比較差異有統計學意義（ ?Plt;0.05） ；內回聲及彩色多普勒血流成像（CDFI）組間比較差異無統計學意義（ （Pgt;0.05） 。實驗室檢查結果表明，兩組在甲狀腺球蛋白（TG）、甲狀腺過氧化物酶抗體（TPOAb）、血清鈉離子（ ΔNa⁺ ）及凝血酶時間（TT）等比較差異有統計學意義 （Plt;0.05） 0

2.2研究變量的單因素和多因素分析單因素logistic回歸分析結果顯示，超聲檢查中甲狀腺結節的最長徑、多灶性、質地特征、回聲、邊緣清晰度、鈣化、C-TIRADS分級、頸部淋巴結腫大、縱橫比和形狀，以及實驗室檢查中的TG、TgAb、TPOAb、 Na⁺ 和TT均為甲狀腺惡性結節的危險因素（均 Plt;0.05 ）。共線性篩選結果顯示，所有變量的方差膨脹因子（VIF）均小于5，表明變量間不存在顯著共線性。多因素logistic回歸分析結果顯示，超聲檢查中甲狀腺結節的多灶性、縱橫比、C-TIRADS分級，以及實驗室檢查中的TPOAb比較差異有統計學意義（均 Plt; 0.05）。這些變量被選為構建機器學習算法模型的自變量。研究變量的單因素和多因素logistic分析結果見表2。

2.3機器學習算法模型的構建與性能評估通過對研究變量進行篩選，最終將多灶性、縱橫比、C-TIRADS分級及TPOAb作為自變量，分別納入LightGBM、Ada-Boost、KNN和SVM四種機器學習算法模型。采用5折交叉驗證方法對四種模型進行評估，結果如表3所示。在四種模型中，LightGBM在訓練集和驗證集的表現均顯著優于其他模型，其訓練集的AUC值為0.978，驗證集的AUC值為0.918。由于訓練集和驗證集的表現高度一致，可以確定LightGBM是最優模型選擇。此外，與其他模型相比，LightGBM在校準曲線、臨床決策曲線以及PR（精確率-召回率）曲線等評估指標中均表現最佳。因此，最終確定LightGBM為最優模型。校準曲線、臨床決策曲線和PR曲線分別如圖2圖3和圖4所示。

2.4最優模型的外部驗證采用118例甲狀腺結節患者的數據對LightGBM模型進行外部驗證，其中包括63例甲狀腺良性結節患者和55例甲狀腺惡性結節患者。LightGBM模型在外部驗證中的AUC為0.889，敏感度為0.836，特異度為0.794。外部驗證結果詳見表4。

表1研究對象良性組和惡性組基線分析結果

續表1

續表1

續表1

表2兩組研究變量的單因素與多因素logistic回歸分析結果

續表2

表3機器學習算法模型五折交叉驗證結果

圖2四種機器學習模型校準曲線圖

圖3四種機器學習模型臨床決策曲線圖

圖4四種機器學習模型PR曲線圖

表4LightGBM外部驗證結果

3討論

目前，甲狀腺結節的常規診斷主要依靠超聲檢查和細針抽吸活檢（FNAB）。超聲檢查具有實時、經濟、無創等優點，但其診斷結果通常高度依賴于臨床醫生的主觀經驗和所使用的超聲設備。對于超聲發現的甲狀腺結節，良惡性的鑒別主要依靠細針抽吸活檢等有創檢查。盡管有創檢查的準確性較高，但其成功率和準確性也高度依賴于穿刺操作者和細胞病理診斷醫師的主觀經驗。因此，如何安全、快速、有效地鑒別甲狀腺結節的良惡性成為臨床實踐中的重點。

本研究通過對比評估基于LightGBM、AdaBoost、KNN和SVM四種機器學習算法構建的模型，篩選出LightGBM模型對女性甲狀腺結節良惡性的預測性能最優。LightGBM模型在訓練集和驗證集的AUC分別為0.978和0.918，準確率分別為0.918和0.854。盡管驗證集的效果較訓練集有所下降，但該模型在鑒別女性甲狀腺結節良惡性方面仍展現出良好的預測能力，并在外部驗證中表現出色（ AUC= 0.889）。此外，LightGBM在校準性、臨床決策曲線和召回率三個方面均表現出較高的臨床實用性，可有效輔助臨床醫生鑒別女性甲狀腺結節的良惡性。

作為人工智能領域的研究熱點，機器學習技術已廣泛應用于解決臨床醫學中的復雜問題。通過機器學習算法高效分析大規模電子病歷數據，已成為推動醫療領域機器學習技術發展的主要動力[13-16]本研究結果進一步證實，機器學習模型可作為甲狀腺結節良惡性鑒別的有效工具，這一發現與既往研究形成呼應。ZHANG等人[17]在2064例成人甲狀腺結節中提取11個超聲特征，并運用隨機森林、K-近鄰等九種模型進行預測，結果顯示隨機森林分類器的診斷性能優于經驗豐富的放射科醫生。PENG等人[18]開發的ThyNet模型采用深度學習算法對超聲圖像進行訓練，預測甲狀腺惡性結節的AUC值達到0.922，顯著高于放射科醫生的0.839?；谠摲椒ǖ妮o助策略不僅顯著提升了放射科醫生的診斷能力，還為臨床決策提供了可靠依據。

此外，本研究中C-TIRADS分級與甲狀腺惡性結節呈正相關，這與既往文獻結論一致[19]。研究結果同時表明，結節的多灶性和微鈣化可作為甲狀腺惡性結節的重要特征，這一發現與以往研究結果相吻合。甲狀腺結節的多灶性可表現為單發或多發，其中單發結節的癌變概率相對高于多發結節[20]微鈣化作為甲狀腺結節鈣化的一種特殊類型，其形成機制主要與甲狀腺癌細胞的持續性病理改變相關。這一過程可引發甲狀腺組織過度增生，導致鈣鹽沉積并演變為微鈣化，從而增加結節組織的無序化程度，使微鈣化表現具有更高的癌變風險[21]。TPOAb作為一種重要的甲狀腺自身免疫性抗體，可引發甲狀腺免疫性損傷[22]。有研究表明，在腫瘤灶lt;1cm 的女性患者中，TPOAb陽性與甲狀腺微小乳頭狀癌（PTMC）風險相關，其OR值為 2.05^[23] 。然而，另有研究發現甲狀腺惡性腫瘤組血清TPOAb水平與良性甲狀腺結節組差異無統計學意義（ P= 0.25）[24]。在本研究中，TPOAb與甲狀腺結節良惡性存在相關性，但OR值為1.034，且惡性組TPOAb水平較良性組上升不明顯，其與疾病發展的關聯性仍需通過深人機制研究進一步探討。本研究的優勢在于利用患者初次入院時的實驗室檢查結果進行分析，無需額外增加患者負擔，操作簡便且易于推廣。然而，本研究也存在一定的局限性：（1）作為單中心回顧性分析，研究對象僅限于女性，可能存在選擇偏倚和信息偏倚，需要更大樣本量和多中心前瞻性研究來驗證和完善模型；（2）由于比較的模型數量有限，可能存在模型選擇偏差，未來可通過增加比較模型的數量來進一步驗證研究結果。

本研究通過回顧性分析，篩選出4個與女性甲狀腺惡性結節風險相關的特征變量，包括甲狀腺結節的多灶性、縱橫比、C-TIRADS分級及血清TPOAb濃度。在LightGBM、AdaBoost、KNN、SVM四種機器學習算法模型中，基于LightGBM建立的預測模型在鑒別女性甲狀腺結節良惡性方面表現出色，且具有良好的穩定性，成為預測性能最佳的模型。該模型在女性甲狀腺結節良惡性定性診斷方面展現出較高的臨床適用性，具有潛在的臨床應用價值。

參考文獻

[1] 中華醫學會內分泌學分會，中華醫學會外科學分會甲狀腺及代謝外科學組，中國抗癌協會頭頸腫瘤專業委員會，等.甲狀腺結節和分化型甲狀腺癌診治指南（第二版）[J]．國際內分泌代謝雜志，2023，43（2）：149-194.

[2] LIY，TENGD，BAJ，et al.Efficacy and safety oflong-term universal salt iodization on thyroid disorders ：epidemiological evidence from 31 provinces of mainlandChina[J]. Thyroid，2020，30（4）：568-579.

[3] 王培宇，黃祺，王少東，等.《全球癌癥統計數據2022》要點解讀[J].中國胸心血管外科臨床雜志，2024，31（7） ：933-954.

[4] HANBF，ZHENGRS，ZENGHM，etal.Cancerincidenceand mortality in China，2O22[J].JNatlCancer Cent，2024，4（1） ：47-53.

[5] 高靈寶，杜銀學，陸江波，等.淺談機器學習[J].鑄造設備與工藝，2021（6）：41-43.

[6] 魏佳妹，袁書娟，孔閃閃，等.輕梯度提升機算法的發展與應用[J].計算機工程與應用，2025，61（5）：32-42.

[7] WANGK，WANGY，ZHAOQ，et al.SPLBoost：an im-proved robust boosting algorithm based on self-pacedlearning[J].IEEE Trans Cybern，2021，51（3）：1556-1570.

[8] AZHAR M，LI MJ， ZHEXUE HUANG J. A hierarchi-cal gamma mixture model-based method for clasifica-tion of high-dimensional data[J]. Entropy，2019，21（9） ：906.

[9] 杜娟，劉志剛，衣治安.一種適用于不均衡數據集分類的 KNN 算法[J].科學技術與工程，2011，11（12）：2680-2685.

[10] 景永霞，茍和平，馮百明，等.不均衡數據集中 KNN分類器樣本裁剪算法[J].科學技術與工程，2013，13（16） ：4720-4723.

[11] 李揚，顧雪平.基于改進最大相關最小冗余判據的暫態穩定評估特征選擇［J].中國電機工程學報，2013（34） ：162-169.

[12] MAO Y X，WANG T Q， DUAN M L， et al. Multi-ob-jective optimization of semi-submersible platforms basedon a support vector machine with grid search optimizedmixed kernels surrogate model[J]. Ocean Eng，2022，260 ：112077.

[13] 施維，薛均，潘璀然，等.機器學習在腫瘤早期診斷與預后預測中的應用[J].醫學信息學雜志，2016，37（11） ：10-14，22.

[14] 李芳君.基于機器學習的醫學數據分類算法研究[D].山東：山東大學，2020.

[15] 劉亮.機器學習算法在疾病診斷中的應用研究[D].貴陽：貴州大學，2020.

[16] 鄭惠文.機器學習算法在內科疾病診斷中的應用[D].黑龍江：哈爾濱工業大學，2020.

[17] ZHANG B，TIAN J，PEI S F，et al. Machine learning-assisted system for thyroid nodule diagnosis[J].Thyroid，2019，29（6） ：858-867.

[18] PENG S，LIU YH，LV W M，et al. Deep learning-based artificial intelligence model to assist thyroid nodulediagnosis and management：a multicentre diagnostic study[J].Lancet Digit Health，2021，3（4） ：e250-e259.

[19] ZHANG XW，ZEYY，SANGJF，et al. Risk factorsand diagnostic prediction models forpapillary thyroidcarcinoma[J]. Front Endocrinol，2022，13：938008.

[20] 田紅梅.甲狀腺結節鈣化在超聲診斷甲狀腺癌中的應用有效性評價[J].影像研究與醫學應用，2022，6（19） ：170-172.

[21] 李婷，林雁潮，王涵，等.二維及彩色多普勒超聲診斷甲狀腺癌的價值[J].實用癌癥雜志，2020，35（2）：205-207.

[22] 袁珊.血清 TPOAb TrAb TSH聯合檢測在甲狀腺疾病篩查診斷中的應用[J].微量元素與健康研究，2024，41（1） ：18-19.

[23] ZHAO HQ，LIHH，HUANG T. High urinary iodine，thyroid autoantibodies，and thyroid-stimulating hormoneforpapillarythyroid cancer risk[J].Biol Trace ElemRes，2018，184（2）：317-324.

[24] ZHANGX，ZHANGX，CHANGZ，etal.Correlationanalyses of thyroid-stimulating hormone and thyroidautoantibodieswithdifferentiatedthyroidcancer[J].JBUON，2018，23（5） ：1467-1471.

（收稿日期：2024-12-17 修回日期：2025-03-19）（編輯：梁明佩）