影像组学在甲状腺结节良恶性鉴别中的应用研究

黄福灵，周春燚，刘辰民，龙莉玲（通讯作者）

（广西医科大学第一附属医院放射科 广西 南宁 530021）

甲状腺结节（Thyroid nodular，TN）是指可以临床触及或在超声检查中可将其与周边组织区分开的甲状腺内孤立病灶，其中约5%为甲状腺癌[1]，且大多数是分化良好的乳头状癌。临床上对于甲状腺结节的治疗根据其性质而决定，良性的甲状腺结节一般仅需定期随访，无需特殊治疗，少数结节可选择性手术。而恶性甲状腺结节一旦确诊，应尽早手术治疗。甲状腺结节的影像诊断目前主要包括超声、CT 和MRI，其中超声在这方面的应用最为广泛，而超声检查的结果受医生水平影响比较大，误诊时有发生[2]。而CT 及MRI 检查对甲状腺结节本身而言，没有可靠的征象能区别良性与恶性。甲状腺细胞穿刺技术（FNA）是诊断良恶性较为可靠的方法，但是FNA 是有创性检查，且穿刺结果容易受医生水平及穿刺取材部位的影响。因此，找到可靠的鉴别甲状腺结节良恶性的影像学方法，可以避免患者不必要的有创检查并能及时进行治疗。而随着影像组学（radiomics）的兴起，其在肿瘤诊断方面取得了良好的成果，但是目前在甲状腺领域研究尚少，基于此，本研究应用影像组学方法探讨其在甲状腺结节良恶性鉴别中的应用价值。

1 材料与方法

1.1 病例资料

回顾性分析2017 年4 月—2018 年1 月在我院术前行甲状腺双能量CT 检查患者90 例，所有病例均经外科手术病理或细胞学穿刺证实，其中良性45 例，男2 例，女43 例，年龄19 ～72（43.7±12.5）岁；恶性45 例，男3 例，女42 例，年龄25 ～79（48.8±16.12）岁。

纳入标准：（1）扫描设备采用西门子双源CT机。（2）结节最长径≥1cm[3]。（3）不存在影响观察及测量的造影剂伪影。（4）有完整的临床资料及病理结果。

1.2 扫描方法

采用德国西门子公司SOMATOM Definition Flash CT进行扫描，行双能量平扫及双期增强扫描。扫描参数：A 球管电压100kV，B 球管电压Sn140kV，A 球管管电流为180mAs，打开CARE Dose4D，球管转速为0.28s，螺距0.5，双能融合系数0.4，重建层厚1.5mm，层间距1.5mm。扫描范围从颅底至胸廓入口处。增强扫描造影剂注射流速3.0ml/s，总量85ml，动脉期延迟时间为25 秒，静脉期延迟时间为60 秒。

1.3 纹理特征提取及分析

由2 名从事影像诊断10 年的放射科医师将所有患者CT 静脉期图像中结节最大层面的图像以 DICOM 格式进行存储，并导入纹理分析软件MaZda 进行后处理分析。Mazad 软件包可以从官网下载（http://www.eletel.p.lodz.pl/mazad/）。首先由一名诊断医师对甲状腺结节进行感兴趣区（region of interest，ROI）勾画，另外一名再对其进行验证，当意见不统一时协商处理。为减少图像间的差异对结果造成的影响，在勾画前选中±3sigma使图像进行标准化[4]。勾画方法：沿病灶边缘每隔2 ～3mm 进行点击，当形成封闭环时双击，无需避开病变内的坏死及钙化部分。MaZad 软件可提取的纹理参数有六类（梯度参数、图像直方图、共生矩阵派生参数、游程长度共生矩阵、小波变换和自回归模型），总共可提取300 多项纹理特征。本研究主要使用Fisher 系数、分类误差概率与平均相关系数（POE+ACC）及互信息（MI）等三种降维方法进行处理。然后采用B11 分析软件分别进行原始数据分析（RDA）、主成分分析（PCA）、线性判别分析（LDA）及非线性判别分析（NDA）等四种方式进行判别。

1.4 统计分析

分别统计各个分析方法对甲状腺良性结节和恶性结节的错误率、灵敏度、特异度及预测准确度，通过比较找出鉴别甲状腺结节良恶性最准确可靠的预测模型。

2 结果

2.1 最佳纹理特征选择

三种降维方法分别提取出10 个鉴别能力较强的纹理参数，相关度 S（2,-2）在三种降维算法中均被筛选出来。

2.2 数据判别分析

使用B11 分析模块分析出的错误率如表2.1 所示。其中Fisher/DNA 法在各组中错误率最低,只有8.89%。图2.1为Fisher 降维方式中四种判别式对甲状腺良恶性结节进行鉴别的示意图。

表 2.1 甲状腺良恶性结节的错误率（错误病例数目/总病例数目）

2.3 预测甲状腺结节良恶性结果

结节良恶性预测结果如表2.2 所示。其中灵敏度最高的是 Fisher/NDA 法，为89.36%；特异度最高的是MI/NDA法，特异度为97.05%，而预测准确率最好的是Fisher/NDA 法，预测准确率为91.11%。

表2 .2 甲状腺结节良恶性预测结果

3 讨论

甲状腺结节在临床上是常见病，而且检出率呈逐年升高趋势。而甲状腺结节的良恶性鉴别对于患者的预后至关重要，目前甲状腺结节良恶性的判别主要靠影像科医生的判断，而影像征象又缺乏特异性，所以目前影像上无法很准确地区分良恶性结节[5]。就本研究所收病例而言，恶性结节的CT 诊断符合率仅为65%，所以找到一种更为简单、准确的诊断方法成为目前临床急需解决的问题。

2012 年荷兰学者Lambin 提出影像组学的概念，是指从影像（包括超声，CT、MRI 及PET-CT 等）中提取大量影像信息，实现肿瘤分割、特征提取与模型建立，用来对病变进行分析和预测。目前影像组学在肿瘤良恶性鉴别中运用较多，但主要集中在肺癌、肾癌及神经系统等[6]，而在甲状腺结节的良恶性鉴别方面报道较少，其主要也是在超声方面。Hirning 等[7]通过超声图像纹理分析的研究，发现10%百分位数以及熵最具有统计学意义，并且可以对甲状腺癌、结节甲状腺肿、囊肿、腺瘤以及正常甲状腺组织进行分类，其准确率可以达到90%。Yu 等[8]对610 幅超声甲状腺结节图像进行分析，提取出2 个形态学特征和65 个纹理特征，通过神经网络和支持向量机SVM 建立模型。其中，神经网络的准确率达99%，而SVM 的准确率高达100%，而且还发现当这两个分类器敏感性增加时特异性就相应降低。郭等人[9]对42 个甲状腺结节病人行颈部增强CT 扫描。应用影像组学方法对病灶进行鉴别，得出熵值在良恶性结节间的差异具有统计学差异，特异度和敏感度分别为70.0%和71.3%。杜丹丹等[10]对269 例患者使用影像组学智能分析软件（AK）对甲状腺结节的CT 平扫图像进行分析，共组合成SVM 、逻辑斯谛回归模型（LR）及贝叶斯方法等三种模型，SVM 诊断效能最佳，其训练集诊断准确度为100%，特异度为100%，敏感度为100%，测试集诊断准确度为91.4%，特异度为95.5%，敏感性为82.7%。在本研究中灵敏度最高的是Fisher/NDA 法，为89.36%；特异度最高的是MI/NDA 法，特异度为97.05%，而预测准确率最好的是Fisher/NDA 法，预测准确率为91.11%。

本研究存在以下方面不足：第一、本研究为回顾性研究，在筛选病例中会出现偏倚现象。第二、本研究只选取勾画了肿瘤最大层面，而肿瘤是立体结构，未能全面的反映肿瘤纹理特征。第三、本研究采用的是手动勾画的方式，其病灶ROI 易受到人为因素的影响。在将来的研究中可以采用更为成熟的软件进行结节的自动或半自分割，其研究结果也将更具说服力。