论文部分内容阅读
第一部分超声对甲状腺乳头状癌腺外侵犯的诊断价值研究【目的】本部分研究旨在探讨传统超声（Ultrasound,US）检查在甲状腺乳头状癌（Papillary Thyroid Carcinoma,PTC）腺外侵犯（Extrathyroidal Extension,ETE）中的诊断价值。【方法】回顾性分析经手术病理证实的122例PTC患者的超声图像,其中包括ETE组57例患者,非腺外侵犯（non-ETE）组65例患者。超声医师根据PTC患者的二维和三维超声图像协商判断是否发生ETE,与病理结果进行比较,计算其敏感性、特异性、阳性预测值、阴性预测值及准确率,并绘制受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）计算其曲线下面积（Area Under Curve,AUC）,以评估US诊断ETE状态的性能。【结果】超声医师通过US图像诊断PTC患者是否发生ETE的敏感性为65%（37/57）,特异性为65%（42/65）,阳性预测值为62%（37/60）,阴性预测值为68%（42/62）,准确率为65%（79/122）。通过绘制ROC曲线,AUC为0.63（95%CI:0.53-0.73）。【结论】应用US观察肿瘤与甲状腺被膜的关系,在一定程度上有助于判断PTC患者是否发生ETE,但仍存在敏感性较低等不足。第二部分基于二维和三维超声的影像组学方法预测甲状腺乳头状癌腺外侵犯的临床应用【目的】本部分研究旨在探讨基于二维和三维超声的影像组学方法在预测PTC患者是否发生ETE中的诊断效能。【方法】回顾性分析经手术病理证实的122例PTC患者的二维和三维超声图像,其中包括ETE组57例患者、non-ETE组65例患者。分别基于PTC患者二维和三维甲状腺US图像手动勾画感兴趣区（Region of Interest,ROI）,用于提取影像组学特征,构建三种分类器模型用于预测PTC患者的ETE状态。绘制ROC曲线计算其AUC,以评估各个模型的诊断性能。【结果】1、本部分研究从二维和三维超声图像中各提取了8个类别、1693个影像组学特征。2、对于二维超声图像,462种影像组学特征存在统计学差异（p＜0.05）。最终筛选出20个特征以构建机器学习分类器模型。逻辑回归模型（Logistics Regression,LR）、支持向量机模型（Support Vector Machine,SVM）、多层感知器模型（Muti-Layer Perception,MLP）在训练集中所得平均AUC值分别为:0.83、0.84、0.89;在验证集中所得平均AUC值分别为0.75、0.75、0.70;验证集标准差分别是:0.04、0.04、0.13。3、对于三维超声图像,683种影像组学特征存在统计学差异（p＜0.05）。最终筛选出17个特征以构建机器学习分类器模型。三个模型在训练集中所得平均AUC值分别为:0.84（LR）、0.86（SVM）、0.89（MLP）;在验证集中所得平均AUC值分别为0.79（LR）、0.78（SVM）、0.79（MLP）;验证集标准差分别是:0.02（LR）、0.01（SVM）、0.04（MLP）。4、与基于二维超声图像结果相比,基于三维超声图像三个模型平均AUC值均高于基于二维超声图像所得平均AUC值,而LR及SVM模型标准差均低于基于二维超声图像的标准差。【结论】基于甲状腺US图像影像组学模型术前预测PTC患者是否发生ETE具有可行性。基于三维超声的影像组学方法的诊断效能优于基于二维超声的诊断性能,可用于PTC患者术前准确、客观预测ETE状态。第三部分基于三维超声的影像组学列线图模型预测甲状腺乳头状癌腺外侵犯的临床应用【目的】本部分研究旨在探讨联合临床风险预测因子和三维超声影像组学特征构建的列线图模型在预测PTC患者是否发生ETE中的诊断效能。【方法】回顾性分析经手术病理证实的122例PTC患者的临床资料及三维超声图像,其中包括ETE组57例患者、non-ETE组65例患者。基于患者甲状腺肿瘤三维超声图像手动逐层勾画感兴趣区,用于提取影像组学特征,采用LR模型构建影像组学标签。联合临床风险预测因子和三维超声影像组学标签构建预测模型并绘制列线图,计算列线图的一致性指数（Concordance Index,C-index）、敏感性、特异性及准确率,并对比该列线图模型与第一部分US诊断效能的差异。【结果】1、肿瘤最大径线≥1.0cm、肿瘤边界、传统超声报告的ETE状态在ETE组和non-ETE组间存在统计学差异（p＜0.05）。多因素Logistic回归分析结果显示,肿瘤最大径线≥1.0cm及超声报告的ETE状态是术前预测PTC患者是否发生ETE的临床风险预测因子。2、联合上述临床风险预测因子和三维超声影像组学特征构建的列线图模型AUC为0.81（95%:0.73-0.88）,其敏感性为75%,特异性为77%,准确率为76%,C-index为0.83。校正曲线显示该列线图模型预测结果与实际结果具有较好的一致性。Hosmer-Lemeshow检验（H-L检验）结果显示模型的预测值与实际结果无统计学差异（p=0.91）。3、列线图模型与第一部分US诊断效能相比,具有统计学差异（AUC分别为:0.81 VS 0.63,p＜0.001）,两条ROC曲线间差异面积为0.18,95%置信区间为0.09-0.26,标准差为0.04,Z数为3.88。【结论】联合临床风险预测因子与三维超声影像组学标签构建的列线图模型的诊断性能优于US,可作为一种临床术前诊断ETE并选择合适手术方式的可视化工具。