基于CT平扫影像组学鉴别≤2 cm甲状腺良恶性结节

胡小丽，顾潜彪，张 堃*，李 磊，李 平，沈宏荣

(1.湖南中医药大学第一附属医院放射科，湖南 长沙 410007；2.湖南省人民医院放射科，湖南 长沙 410005；3.永州市中心医院放射科，湖南 永州 425000)

甲状腺癌是甲状腺最常见恶性肿瘤，主要表现为甲状腺结节，近年来发病率在全球范围内迅速上升，直径≤2 cm者占所有增加病例的80%以上[1-2]，鉴别直径≤2 cm甲状腺结节的良恶性成为重要临床课题。超声是无创评估甲状腺结节良恶性的主要影像学手段，具有较高的特异度，但对恶性结节敏感度较低[3-5]。CT可用于术前评估甲状腺结节，但常规CT平扫判定甲状腺结节性质的能力有限。影像组学通过提取高通量信息对医学影像学图像进行定量分析，从而实现无创性分析肿瘤异质性[6-7]。本研究观察基于CT平扫图像影像组学特征预测直径≤2 cm甲状腺结节良恶性的价值。

1 资料与方法

1.1 一般资料 回顾性收集2018年1月—2020年3月97例CT检查发现甲状腺结节患者，男30例，女67例，年龄20～73岁，平均(44.1±12.4)岁。纳入标准：①单发甲状腺结节直径≤2 cm，经手术病理明确诊断；②术前接受CT平扫。排除标准：①CT检查前接受穿刺活检或放射及化学治疗；②图像存在伪影；③多发甲状腺结节。

1.2 仪器与方法 采用Philips Brilliance 64排螺旋CT机。嘱患者仰卧，颈过伸，肩部尽量下沉，禁止吞咽动作，行颈部扫描，范围自下颌至颈根部，管电压120 kV，管电流250 mA，层厚3 mm，层间距3 mm。

1.3 提取特征及建立模型 由分别具有8年及10年头颈部影像学诊断经验的主治医师和副主任医师各1名采用盲法于显示病灶最大层面的CT轴位平扫图像上测量病灶最大径，并沿病灶轮廓内缘手动勾画ROI(图1)，尽量与病灶边缘保持一致，意见不同时协商达成一致。

图1 于显示病灶最大层面的轴位CT平扫图像上手动勾画ROI示意图

分割全部病例的病灶ROI后，采用公共软件3dslicer软件(http://www.3dslicer.org)提取影像组学特征。以随机分层抽样法按7∶3比例将患者分为训练组(n=67)和验证组(n=30)。应用R软件3.6.0 (http://www.r-project.org)中的caret包对训练组影像组学特征进行预处理，包括剔除近似常量的影像组学特征和删除相关系数>0.9及存在多重共线的特征。之后采用R软件中的Glmnet包进行最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)特征筛选，获得鉴别效能最优的影像组学特征子集；以二元Logistic回归方法建立预测甲状腺良恶性结节的影像组学预测模型，并计算训练组中良恶性结节的影像组学评分，即特征与对应权重系数乘积的和；再于验证组中对该模型进行验证。

1.4 统计学分析 采用SPSS 20.0统计分析软件及R软件3.6.0 (http://www.r-project.org)。计量资料以±s表示，组间比较采用独立样本t检验。计数资料以频数表示，组间比较采用χ2检验。以ROC曲线法评估影像组学模型预测训练组及验证组甲状腺结节良恶性的诊断效能，组间AUC差异比较采用Delong检验。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料 97例中，35例良性病变，包括15例甲状腺腺瘤，20例结节性甲状腺肿；62例恶性病变，分别为50例甲状腺乳头状癌、6例滤泡癌、4例髓样癌及2例未分化癌。训练组中，25例良性、42例恶性病变；验证组10例良性、20例恶性病变。组间性别、年龄及病灶最大径差异均无统计学意义(P均>0.05)。见表1。

表1 ≤2 cm甲状腺结节患者一般资料比较

2.2 提取及筛选影像组学特征 共于训练组提取848个影像组学特征，经预处理后获得97个特征；经LASSO特征筛选得出8个最优影像组学特征，包括1个形态学特征、3个原始图像纹理特征和4个高阶特征(图2)。

图2 以LASSO方法筛选出的8个最优影像组学特征及其权重系数值

2.3 影像组学模型及诊断效能 根据上述最优影像学特征及相应权重系数建立影像组学预测模型，计算影像组学评分。2组良性甲状腺结节的影像组学评分[-0.08(-1.96,0.78)、[0.11(-0.96,0.65)]均低于恶性病变[1.20(0.80,2.56)、1.03(0.80,2.47),t=-3.29、-3.12，P均<0.01]。训练组及验证组中，影像组学模型鉴别甲状腺良恶性病变的敏感度分别为0.77、0.74，特异度分别为0.79、0.91，相应的AUC分别为0.84、0.88，AUC差异无统计学意义(D=0.35，P=0.73)，见图3。

图3 影像组学模型预测甲状腺良恶性结节的ROC曲线 A.训练组； B.验证组

3 讨论

甲状腺癌是最常见的内分泌系统恶性肿瘤，其发病率及病死率在全球范围内持续上升[8]。对临床查体或超声检出的甲状腺可疑恶性结节，制定合理临床策略，如手术或积极监测非常重要。本研究基于CT平扫图像，采用影像组学方法建立预测直径≤2 cm甲状腺结节良恶性的影像组学模型，并获得较佳结果。

既往研究[9]显示，基于增强CT图像的纹理特征有助于鉴别甲状腺良恶性结节。TOMITA等[10]提出颈部双能CT单能图像纹理分析可用于鉴别甲状腺良恶性结节，但未建立完善的数学模型。孔丹等[11]基于CT平扫及增强图像建立了CT影像组学模型预测甲状腺良恶性结节，发现其对区分甲状腺良恶性结节有较高的诊断效能。然而，临床实践中，对伴甲亢或对比剂过敏等增强扫描禁忌证者只能行CT平扫；且多数偶然发现的甲状腺结节患者仅接受了颈部或胸部CT平扫[12]，影像科医师通过肉眼观察获得的信息有限，尤其是当病灶较小时，难以判断是否应行进一步检查。本研究以平扫CT为基础，采用影像组学方法预测直径≤2 cm甲状腺良恶性结节，以期筛选高危患者、早期诊断甲状腺癌；基于平扫CT提取了848个影像组学特征，除纹理特征外，还包括形态学特征、直方图特征及小波转换特征，并采用LASSO方法对其进行筛选，建立了预测甲状腺结节良恶性的模型，并对其进行验证，结果显示该模型鉴别验证组直径≤2 cm甲状腺良恶性结节的AUC与训练组差异无统计学意义，即对训练组及验证组的诊断效能相当，可用于无创预测直径≤2 cm甲状腺结节的良恶性。模型中纳入的影像学特征以纹理特征最多，包括3个原始图像纹理特征及4个经过小波滤波器预处理的图像纹理特征。纹理特征是描述像素空间分布及强度等级的特征，反映病灶内部结构及异质性。本研究所获模型以纹理特征为主，提示甲状腺结节内部结构及异质性与其良恶性密切相关；模型中另一个特征为结节最大二维直径(original_shape_Maximum2DDiameterRow)，提示结节大小与其良恶性相关。

综上所述，基于平扫CT的影像组学模型对鉴别直径≤2 cm甲状腺结节良恶性具有较好的诊断价值，有望用于临床无创预测诊断甲状腺结节性质。本研究的主要局限性：①样本量较小，且为单中心研究；②病灶ROI来自最大层面二维平扫CT，而三维立体图像可能更全面揭示肿瘤信息；③未结合双能量CT及MRI等技术进一步观察。