影像组学在甲状腺结节中的研究进展

卢天宇，张家祥，班允清（通讯作者）

（新疆医科大学第五附属医院CT核磁室 新疆 乌鲁木齐 830011）

甲状腺结节（thyroid nodule, TN）临床极为常见，触诊获得的甲状腺结节患病率为3%～7%，高分辨率B超检查获得的甲状腺结节患病率为20%～76%，但大部分是良性腺瘤样结节或囊肿，只有甲状腺结节的5%～10%是恶性肿瘤。良性甲状腺结节一般不需特殊治疗；而恶性甲状腺结节一旦确诊，应及时切除并进行颈部中央组淋巴结清扫，并对预后进行预测。传统影像诊断在甲状腺结节的诊疗中扮演着重要的角色，但是传统的影像诊断模式基于形态学，无法得到病灶图像中隐藏的特征。而影像组学通过从影像中提取海量特征，可用于疾病的定性、肿瘤分级分期、疗效评估和预后预测等。本文就影像组学在甲状腺结节中的应用进展进行论述。

1 影像组学定义及流程

影像组学（radiomics）一词由荷兰学者Philippe Lambin等在2012年正式提出[1]，它是指采用高通量、自动化的特征提取方法将医学影像图形转化为可以挖掘的特征数据，能比视觉分析更详细、定量地评估病变特征，发现未知、潜在的信息，并应用数据以改善诊断、预后和预测的准确性。

影像组学的工作流程可以分为5步[2]：①图像采集和重建：目前主要通过CT、MRI和PET-CT等影像扫描方式来进行图像的采集。由于空间分辨率高，CT在影像组学研究中被广泛运用。②图像分割：图像分割是指在影像图像上勾画出研究区域（如肿瘤）作为感兴趣区域（region of interest, ROI）。图像分割有三种方法，分别是手动分割法、半自动分割法、自动分割法，现在，手动分割被认为是金标准。半自动分割法是指在人工智能软件对病灶区域进行自动分割后，再由专业医生描绘目标区域轮廓。③图像特征提取：所提取的特征可以分为形状特征、一阶直方图特征、二阶直方图特征和小波特征等。④特征筛选：提取高纬度的特征后，为了避免维数灾难与模型的过度拟合，需要降低特征的维度。常用的特征降维方法有LASSO（least absolute shrinkage and selection operator）Cox回归模型、最大相关最小冗余（maximum relevance and minimum redundancy, mRMR）主成分分析法（principal component analysis, PCA）。⑤建立模型：目前，用于影像组学的建模多涉及机器学习的方法，例如Logistic回归、随机森林（random forest, RM）、支持向量机（support vector machine, SVM）、决策树、K近邻、人工神经网络（artificial neural networks, ANNs）、聚类分析（clustering analysis）等方法都有应用[3]。

2 影像组学在甲状腺结节诊疗中的应用

2.1 鉴别甲状腺结节的良恶性

影像组学通过高通量提取甲状腺结节图像的特征，挖掘肉眼无法识别的深层次信息以鉴别良恶性甲状腺结节。Shin等[4]研究显示应用影像组学模型可以鉴别出甲状腺滤泡状瘤和甲状腺滤泡状癌，并且其预测效能高于经验丰富的放射科医师。Sollini等[5]通过研究PET-CT影像组学特征发现HIST偏斜是良恶性分化的最佳特征，观察到SUVstd、SUVmax、TLG、MTV、HIST偏度在甲状腺偶发瘤之间存在显著差异。以上研究结果显示，利用影像组学方法鉴别甲状腺良恶性结节是可行的，且预测效能较高，在临床上有较好的应用前景。

2.2 预测甲状腺癌淋巴结转移

目前超声、CT和MRI等传统成像方法难以准确在术前对甲状腺癌患者淋巴结转移情况进行评价，而有研究表明甲状腺乳头状癌（papillary thyroid carcinoma, PTC）患者术前应用影像组学可准确预测淋巴结转移。Miri Kwon等[6]首次将影像组学应用于预测甲状腺滤泡癌（FTC）远处转移的研究，使用支持向量机分类器SVM构建模型，结果显示SVM分类器平均显示0.90的高AUC。Tong等[7]研究将PTC的US、CT影像组学特征与US、CT报告的CLN状态相结合构建诺模图，在术前以无创的方法评估PTC患者的CLN状态，结果显示构建出的诺模图可用于促进临床决策并有可能改善选定患者的生存结果[8]。Zhang等[9]从PTC患者T2WI和T2WI-FS图像上获得影像组学特征，采用随机森林、支持向量机和广义线性模型进行建模，并使用嵌套交叉验证方案对其进行了评估。结果显示从T2WI图像中提取的放射学特征比T2WI-FS图像更具判别力。综上，影像组学可以成为临床医生术前评估甲状腺颈部淋巴结转移的新方法。

2.3 基因诊断

影像组学可以基于宏观影像的特征来定量分析与基因或蛋白质的关系。Yoon等[10]选取PTC的US图像特征，通过LASSO回归模型生成Radiomics分数。通过在多变量分析中Radiomics得分是与BRAFV600E突变密切相关的唯一因素来定量分析与基因或蛋白质的关系。以上提示影像组学特征作为无创性生物标志物的价值有限，可用于预测PTC的BRAF突变状态的存在。

3 结语

综上所述，影像组学近年来得到了飞速的发展，已经可以为临床诊断、预测、预后提供可靠的帮助，影像组学有望为甲状腺癌患者的个体化精准诊疗提供可靠依据，应用前景十分广阔。虽然影像组学技术近年来得到了迅速发展，但目前关于甲状腺结节的影像组学研究仍面临许多挑战：①目前的研究以单中心、小样本、回顾性分析为主，缺乏多中心、大样本、前瞻性的研究；②从图像采集、重建、分割、重组到特征的提取和量化缺乏统一的标准，需要建立一个统一的标准规则；③影像组学技术是以计算机为基础的研究，需要医工结合，多学科合作研究；④目前缺乏公开的影像数据库，需要各个同行共同努力建立一个属于影像的公开科研数据库。

目前利用影像组学预测甲状腺癌的颈部淋巴结转移的研究已趋于成熟，并且已在国内外取得出色的成效；相信随着人工智能的发展，尤其是深度学习的发展，影像组学将在疾病的诊疗中扮演更加重要的角色。