编辑推荐：
本研究聚焦于甲状腺乳头状癌（PTC）术前大体甲状腺外侵犯（Gross ETE）预测的临床难题。研究人员通过集成超声影像的深度学习和影像组学特征，并融合关键临床参数，开发了一种融合预测模型。该模型在测试集中显示出卓越的预测性能（AUC：0.849），为术前精准评估肿瘤侵犯范围、优化手术方案提供了有力的决策支持工具。
甲状腺癌是全球最常见的内分泌恶性肿瘤，其中甲状腺乳头状癌（PTC）占据了绝大多数病例。对于PTC患者而言，术前准确评估肿瘤是否发生了甲状腺外侵犯（Extrathyroidal Extension, ETE），尤其是大体甲状腺外侵犯（Gross ETE），是决定手术范围（如是否需要行甲状腺全切及中央区淋巴结清扫）和评估预后的关键依据。然而，传统的超声检查高度依赖医生的主观经验，在判断微小甚至早期的甲状腺外侵犯时，敏感性和特异性往往不尽如人意。这种不确定性可能导致治疗不足或过度治疗，影响患者的生活质量和长期生存。因此，开发一种客观、精准的术前无创预测工具，成为了临床亟待解决的痛点。
为了攻克这一难题，一项发表于《Scientific Reports》的研究应运而生。研究人员独辟蹊径，不再局限于观察肿瘤内部的异质性，而是将目光投向了肿瘤周边那些看似“正常”的区域。他们推测，肿瘤与周围正常组织交界处的“瘤周”区域，其微观结构的改变可能蕴含着预测侵犯行为的关键信息。为此，研究团队开展了一项大规模、多中心的回顾性研究，旨在系统性地评估和比较深度学习、影像组学以及二者融合策略在预测PTC患者Gross ETE方面的效能。
研究人员从三家医院收集了2018年1月1日至2022年12月31日期间共4,542名PTC患者的术前超声图像和临床资料。他们将这些数据按7:3的比例随机分为训练集（3,179例）和测试集（1,363例），以确保模型的泛化能力。研究的核心技术方法主要围绕多区域特征提取与模型融合展开：首先，基于超声图像，分别构建了针对不同肿瘤扩展区域（扩展5、10、15、20像素）的影像组学模型，以及基于ResNet101的深度学习模型；其次，开发了融合多区域影像组学特征与深度学习特征的融合模型（Deep Learning-Radiomics, DLR）；最后，整合最优融合模型所提取的特征与关键临床参数，构建了可用于临床个性化预测的列线图模型。模型性能通过曲线下面积（AUC）、敏感性、特异性等指标进行全面评估，并利用SHAP（SHapley Additive exPlanations）分析和Grad-CAM（Gradient-weighted Class Activation Mapping）技术对模型决策过程进行可视化解译，以增强其临床可信度。
研究结果
不同模型的预测性能比较
在独立的测试队列中，各类模型展现了不同的预测能力。在影像组学模型中，基于肿瘤外扩15像素区域（expand15）所构建的模型表现最优，其AUC达到了0.796。单纯的深度学习模型（基于ResNet101）则表现更佳，AUC为0.832。然而，将二者优势结合的融合模型取得了突破性的性能。其中，融合了15像素瘤周特征的DLR模型（DLRexpand15）表现最为出色，其AUC、准确率和特异性分别高达0.849、0.857和0.888，显著优于单一的影像组学或深度学习模型。
融合模型的特征重要性分析
为了理解融合模型是如何做出决策的，研究人员使用了SHAP分析。结果清晰地显示，在最终的综合预测模型中，深度学习模型所提取的抽象特征贡献了最大的预测价值，成为首要的预测因子。相比之下，临床参数（如年龄、性别等）和影像组学特征的贡献度相对较小。这一发现表明，深度学习算法能够从超声图像中自动挖掘出超越人类视觉识别和传统定量特征之外的、与Gross ETE高度相关的深层信息。
模型激活区域与病理侵犯模式的空间一致性
研究的另一个亮点在于对模型可解释性的深入探索。通过Grad-CAM技术，研究人员将DLRexpand15模型在做出“Gross ETE阳性”判断时最关注的图像区域进行可视化。令人振奋的是，这些被模型高度“激活”的影像区域，在术后病理切片上被证实与肿瘤细胞实际发生甲状腺外侵犯的解剖位置存在高度的空间一致性。这从影像学层面直接印证了模型判断的生物学合理性，证实其并非“黑箱”操作，而是真正捕捉到了与侵袭性生物学行为相关的影像学改变。
临床可用的列线图预测工具
基于性能最优的DLRexpand15模型特征，研究进一步整合了有意义的临床指标，构建了一个可视化的列线图（Nomogram）预测模型。临床医生只需根据患者的超声图像（通过模型自动计算风险分值）和少数几项临床指标，便可以在列线图上进行简单的点对点相加，快速、直观地获得该患者术前存在Gross ETE的个体化概率。这极大地方便了该预测模型在临床实践中的落地应用。
结论与讨论
本研究通过系统性探索，得出了几项重要结论。首先，单纯分析肿瘤内部信息不足以实现最佳的Gross ETE预测，策略性地纳入瘤周区域（特别是外扩15像素范围）的异质性信息，能显著提升无论是影像组学还是深度学习模型的预测能力。这证实了瘤周微环境在肿瘤侵袭过程中的重要角色。其次，深度学习与影像组学的融合（DLR）策略实现了“1+1>2”的效果，融合模型综合了深度学习捕捉复杂抽象模式的能力和影像组学提供稳定量化特征的优势，从而获得了当前最佳的预测性能。最后，通过SHAP和Grad-CAM等先进的可解释人工智能技术，本研究成功“打开”了模型的决策黑箱，不仅指出了深度学习特征是核心驱动因子，更展示了模型关注区域与真实病理侵犯部位的空间对应关系，极大地增强了临床医生对人工智能辅助诊断工具的信任度。
这项研究的意义重大。它为解决PTC术前Gross ETE精准评估这一临床难题，提供了一套行之有效的基于多模态超声影像的人工智能解决方案。所开发的DLR融合模型及临床列线图工具，能够为外科医生在术前进行更精确的风险分层和手术规划（如决定甲状腺切除范围及淋巴结清扫范围）提供客观、定量的决策支持，有望减少不必要的手术创伤或避免治疗不足，最终使患者获益。该研究也为医学影像人工智能领域提供了一个成功范式，即通过融合不同技术路线的优势，并深度融合临床先验知识，同时高度重视模型的可解释性，从而开发出既高效又可信的临床辅助工具。
