基于放射组学的甲状腺微小癌淋巴结转移预测模型

《BMC Surgery》：Radiomics-based prediction model for lymph node metastasis in thyroid microcarcinoma

　　

摘要

目的

基于临床、超声和放射组学特征，开发并验证一种用于预测甲状腺微癌（TMC）淋巴结转移（LNM）的模型，为准确的术前风险评估和个性化手术计划提供依据。

方法

回顾性纳入了2022年6月至2024年12月期间在我们机构接受治疗的426名TMC患者，并按7:3的比例随机分为训练集（n=300）和验证集（n=126）。收集了人口统计特征（年龄、性别）、术前临床和超声特征（通过超声测量的肿瘤大小、超声评估的多发性、超声显示的包膜侵犯等）、超声特征（淋巴结大小、球形度等）、实验室指标（术前TSH水平）以及放射组学参数（3D肿瘤体积、表面积等）。在训练集中，首先进行单变量分析以筛选与LNM相关的因素，然后使用LASSO回归进行变量选择。随后采用多变量逻辑回归来确定独立预测因子。构建了随机森林（RF）、K最近邻（KNN）和梯度提升（GB）模型。通过接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）在训练集和内部验证集中评估模型性能。

结果

训练集和验证集之间的基线特征没有显著差异（P > 0.05）。单变量分析显示，肿瘤大小、淋巴结大小、TSH水平、中央淋巴结转移、3D肿瘤体积和球形度与LNM相关（P < 0.05）。多变量逻辑回归确定肿瘤大小、淋巴结大小、TSH水平、中央淋巴结转移和3D肿瘤体积是LNM的独立风险因素（P < 0.05），而球形度是一个独立的保护因素（P < 0.05）。与KNN（AUC=0.815，0.792）和GB（AUC=0.787，0.763）相比，RF模型的性能更优（训练集AUC=0.838，内部验证集AUC=0.815），显示出良好的校准能力和稳定的临床净收益。

结论

利用多维特征构建的RF模型能够有效预测TMC中的LNM，TSH水平、肿瘤大小和球形度是关键预测因子，显示出较高的临床实用性。