全球范围内甲状腺癌的发病率一直在上升，其中乳头状甲状腺癌（PTC）约占所有病例的80%–90% [1,2]。尽管PTC通常被认为是一种惰性肿瘤，但它可以转移到淋巴结，尤其是中央颈部区域，据报道转移发生率高达40%–90% [3]。PTC的中央淋巴结转移（CLNM）不仅是决定手术方法和预后的关键因素，还是与高复发率和较低生存率相关的重要风险因素 [4,5]。
在当前的临床实践中，通常会进行细针穿刺活检和预防性中央淋巴结清扫术来应对潜在的隐匿性CLNM风险 [6,7]。然而，这些方法具有侵入性，可能会导致对实际没有淋巴结受累的患者进行过度治疗，从而增加手术并发症和医疗负担 [8,9]。
超声检查作为美国甲状腺协会推荐的一线成像方式，已成为评估甲状腺结节和淋巴结状态的重要工具 [9]。转移性淋巴结的典型超声特征包括微钙化、囊性改变、高回声、 hilar脂肪丧失和纵横比改变 [10]。然而，中央淋巴结转移——通常是甲状腺癌最早和最关键的转移类型 [11,12]——常常缺乏典型的超声特征，并受到解剖盲点的影晌，导致术前检测率仅为20%–31% [13,14]。此外，超声检查对微转移的敏感性有限 [15]。因此，需要一种可靠且无创的方法来预测PTC患者的CLNM。
早期研究尝试使用基于超声和临床特征的统计模型来预测淋巴结转移的风险。例如，肿瘤大小、血管特征和桥本氏甲状腺炎的存在已被确定为PTC淋巴结转移的独立风险因素 [16]，肿瘤大小、侵袭性和位置也与转移风险显著相关 [17]。此外，基于放射组学的方法已被引入，从超声图像中提取定量特征，包括强度、边缘、纹理和小波特征，以建立与淋巴结转移状态的关联。代表性研究应用了逻辑回归或支持向量机模型，使用来自B模式超声（BMUS）或弹性成像的高维特征 [[18], [19], [20]]。然而，这些方法往往受到特征表示不完整和高通量特征对成像参数变化的敏感性限制，导致预测性能不佳和泛化能力有限。
深度学习，特别是深度卷积神经网络，在捕捉细微图像细节方面表现出优势，并已广泛应用于医学图像诊断和预测 [21,22]，在甲状腺超声成像中的应用也越来越广泛。例如，Yu等人 [23] 将深度学习与迁移学习放射组学相结合，使用甲状腺BMUS图像预测PTC患者的淋巴结转移风险。这种方法有效降低了新数据集中的过拟合风险，同时显著提高了模型的泛化能力。尽管取得了进展，但预测PTC淋巴结转移的方法仍面临挑战。目前的研究主要依赖于术前常规超声检查来预测CLNM。超声检查在检测隐匿性或微小CLNM方面敏感性有限，对肿瘤生物学行为的了解也有限，而应变弹性成像（SE）可以评估组织硬度，并部分反映肿瘤的机械特性和生物学活性，在甲状腺癌的CLNM预测中显示出价值 [14,16,24]。然而，其准确性可能会受到炎症或纤维化等非肿瘤因素的影响。因此，无论是基于宏观信息还是组织力学的单模态预测模型都存在固有的局限性。值得注意的是，SE通过反映组织在压缩下的变形来捕捉特征性的纹理模式和空间分布。深度学习可以从SE图像中自动学习高维纹理特征，避免了传统定量指标相关的信息损失。这些生物力学特征自然补充了传统超声成像的形态学信息，有助于克服单模态模型在预测PTC CLNM方面的局限性。
基于这一理念，本研究旨在使用多模态超声图像（纵向视图）和SE，构建一个深度学习模型，用于预测PTC患者的CLNM风险。该模型旨在实现准确的风险分层并辅助临床决策，从而避免过度治疗或治疗不足。随后，本研究在多个中心验证了模型的有效性和稳定性，证明了其稳健的性能和更广泛的临床应用潜力。
