BRAFV600E基因联合增强CT的列线图模型对TI-RADS 3类及以上甲状腺结节良恶性鉴别诊断的价值

摘要：目的" 构建BRAFV600E基因突变和增强CT特征的TI-RADS 3类及以上甲状腺结节良恶性预测模型，并评估其诊断效能。方法" 回顾性分析2022年10月～2024年2月安徽医科大学附属巢湖医院收治的251例TI-RADS 3类及以上甲状腺结节患者的资料，以超声引导下细针穿刺细胞学及术后病理结果为“金标准”，其中良性结节177个，恶性结节74个。通过LASSO回归法筛选变量和选择预测因子，并建立预测模型。结果 采用LASSO回归法选取4个变量，分别为年龄、BRAFV600E基因、增强CT中的边界模糊、包膜不连续特征，基于这些变量构建BRAFV600E基因突变联合增强CT预测模型并进一步验证。联合预测模型的AUC为0.816，高于单独增强CT预测模型（AUC=0.755），差异有统计学意义（Plt;0.05）。联合预测模型的敏感度为88.7%，特异度为63.5%，准确度为81.7%，Hosmer-Lemeshow拟合检验P=0.4564。联合预测模型与单独增强CT预测模型相比的净重新分类指数为0.308（0.151～0.465）（Plt;0.001），综合判别改善指数为0.114（0.060～0.167）（Plt;0.001）。决策曲线分析及校正曲线显示联合预测模型有较高的预测性能。结论" BRAFV600E基因联合增强CT特征的列线图模型对甲状腺TI-RADS 3类及以上良恶性结节的鉴别具有较高的诊断价值。

关键词：甲状腺结节；BRAFV600E基因；增强CT；列线图模型；验证；净重新分类指数

Value of a column-line diagram model incorporating BRAFV600E gene and enhanced CT in the differential diagnosis of thyroid nodules categorized as TI-RADS 3 and above

YU Chenfan， DOU Jiaqing

Department of Endocrinology， Chaohu Hospital of Anhui Medical University， Chaohu 238000， China

Abstract： Objective To construct a thyroid imaging reporting and data system （TI-RADS） benign-malignant prediction model for thyroid nodules categorized as TI-RADS 3 and above， incorporating both BRAFV600E gene mutation status and enhanced CT features， and assess its diagnostic efficacy. Methods A retrospective analysis of data from 251 patients with TI-RADS 3 and above thyroid nodules admitted to Chaohu Hospital of Anhui Medical University from October 2022 to February 2024 were conducted. Ultrasound-guided fine-needle aspiration cytology and postoperative pathology served as the \"gold standard\"， with 177 nodules classified as benign and 74 as malignant. The LASSO regression method was employed for variable and predictor selection， leading to the establishment of a prediction model. Results LASSO regression identified four variables for inclusion in the prediction model： age， BRAFV600E gene mutation status， presence of blurred borders on enhanced CT， and discontinuity of the nodule envelope. A prediction model for BRAFV600E gene mutation status in enhanced CT was developed based on these variables and subsequently validated. The AUC for the combined prediction model was 0.816， surpassing that of the enhanced CT prediction model alone （AUC=0.755） with statistical significance （Pamp;lt; 0.05）. The joint prediction model demonstrated a sensitivity of 88.7%， specificity of 63.5%， and accuracy of 81.7%， with a Hosmer-Lemeshow fit test yielding P=0.4564. The net reclassification index compared to the enhanced CT prediction model alone was 0.308 （0.151-0.465） （Plt;0.001）， and the integrated discrimination improvement index was 0.114 （0.060-0.167） （Plt;0.001）. Decision curve analysis and calibration curves confirmed the high predictive performance of the combined prediction model. Conclusion The column-line diagram model combining BRAFV600E gene mutation status with enhanced CT features demonstrates significant diagnostic value in distinguishing between benign and malignant nodules categorized as TI-RADS 3 and above.

Keywords： thyroid nodule; BRAFV600E gene; enhanced CT; column line drawing model; validation; net reclassification index

甲状腺癌在全球癌症发病率中排名第9［1］。TI-RADS 3类及以上甲状腺结节的发病率为14%～27%，TI-RADS分级系统的出现提高了甲状腺恶性结节的检出率［2］，尤其是3类及以上甲状腺结节恶性检出率较其他分级更高，需长期复查［3］]。目前甲状腺结节性质的诊断主要依靠术后病理等有创操作，提高甲状腺结节术前检测的正确率正成为研究的热点。随着影像学技术的不断发展，甲状腺结节新的诊断技术层出不穷，有研究表明CT在甲状腺结节性质的鉴别中同样有较高的诊断价值［4-5］，增强CT列线图模型能有效的区分甲状腺恶性结节与良性甲状腺肿[6]，而BRAFV600E基因作为甲状腺恶性结节的最常见可遗传变异，与甲状腺癌患者的高风险临床病理特征和进展密切相关［7］，既往研究发现BRAF V600E检测结合增强CT预测甲状腺癌的模型，其准确率和特异度均显著提高，但与增强CT单独诊断模型未做进一步对比，对高风险甲状腺结节患者也缺乏个体化的精确治疗策略提供指导［8］。本研究拟通过联合BRAFV600E及增强CT特征，以超声引导下细针穿刺细胞学（FNAC）［9-10］和术后组织病理结果为标准，建立BRAFV600E基因+增强CT联合模型，并与单独增强CT模型做进一步比较，选择更适用于TI-RADS 3类及以上甲状腺结节恶性肿瘤风险评估的模型，为术前预测甲状腺恶性结节提供更加可靠的依据。

1" 资料与方法

1.1" 一般资料

收集2022年10月～2024年2月在我院住院诊断为甲状腺结节的251例患者，选取每位患者最可疑的结节进行研究，共纳入251个甲状腺结节。纳入标准：经彩色多普勒超声检出并由两名以上有经验的超声医生的TI-RADS 3类及以上甲状腺结节；有详细及完整的临床检查资料及病理资料；患者自愿参加本研究，签署知情同意书。排除标准：各种应激情况、妊娠、急慢性感染；有除甲状腺结节外的其他甲状腺疾病；临床资料不完整，导致数据无法分析者；存在凝血功能异常或者有血友病的患者。根据FNAC和术后组织病理诊断结果将其分为甲状腺恶性结节组（n=74）和甲状腺良性结节组（n=177），其中男性53例，女性198例，年龄16～77（50.79±12.61）岁。本研究经我院医学伦理委员会审查批准（审批号：KYXM-202209-006）。

1.2" 仪器及方法

1.2.1" BRAFV600E基因的检测" "患者取仰卧位，双臂平放于治疗床上，颈部完全暴露并处于过伸状态。消毒后，在超声引导下定位可疑甲状腺结节，反复提起和插入穿刺针进行细针穿刺，获取组织样本。使用微量病理DNA提取试剂盒提取DNA，使用荧光定量PCR仪（SLAN-96S）检测DNA的荧光信号强度，设置适当的荧光阈值，得到不同通道的Ct值，并计算相应的ΔCt值。判定标准：FAM通道信号Ct值lt;38且ΔCtlt;9，则判定为BRAFV600E基因突变，结果为阳性［11］，其他为阴性。

1.2.2" 增强CT检查" "使用 GE MEDICAL SYSTEMS Light-Speed 64线螺旋CT扫描仪进行 CT扫描，CT扫描结合增强CT扫描，静脉注射碘克沙醇造影剂60～85 mL，注射速度2～2.8 mL/s，层厚1～3 mm，通过胸骨切口对乳突毛水平的颈部进行水平线扫描，参照标准分析视野详细记录结节数量、密度、边缘、颈部淋巴结转移、钙化和包膜的完整性。CT扫描由2位具有5年以上经验的医生进行审查。

1.3" 特征选择

提取可疑区域的影像组学特征（图1），采用零-均值方法和中位数填充缺失值和异常值对数据进行标准化处理，将特征变量纳入最小绝对收缩和选择算子（LASSO）分析，根据LASSO回归分析的结果进行预测变量选择，一般基于最小标准误差或1-最小标准误差标准对应的正则化权重λ来进行参数选择，本研究是通过使用最小标准误差来确定最佳的正则化权重（λ）（图2），进行123倍交叉验证（图3），保留系数不为0的变量，纳入多元逻辑回归分析，而后分别构建增强CT特征模型和BRAFV600E基因+增强CT联合模型。

1.4" 统计学分析

采用SPSS26.0和R4.3.3软件对数据进行分析。正态分布的计量资料以均数±标准差表示，组间比较采用t检验；非正态分布计量资料以中位数和四分位数间距表示，组间比较采用Mann-Whitney U检验。以Plt;0.05为差异有统计学意义。分类变量的比较采用卡方检验或Fisher精确检验。使用“glmnet”软件包选择变量并进行交叉检验，然后将所选变量纳入Logistic回归分析，再进行建模。“rms”软件包用于Logistic回归、直方图、校准图和内部验证；“Resourseselection”软件包用于Hosmer-Lemeshow一致性检验，“pROC”软件包用于Hosmer-Lemeshow一致性检验。“PROC”软件包用于分析受试者的表现曲线，“rmda”软件包用于分析临床决策曲线，“nricens”软件包用于两组模型之间的比较。

2" 结果

2.1" 两组BRAFV600E基因及增强CT特征比较

TI-RADS 3类及以上甲状腺恶性结节中男性的数目占比大于甲状腺良性结节组，恶性结节组年龄小于良性结节组（Plt;0.05），BRAFV600E基因在甲状腺恶性结节组发生突变的概率高于甲状腺良性结节组（Plt;0.05），两组增强CT图像中数量、密度均匀情况、钙化情况等差异均无统计学意义（Pgt;0.05），甲状腺恶性结节组的增强CT图像边界模糊、颈部淋巴结转移、包膜不连续的数目占比多于甲状腺良性结节组，差异有统计学意义。（Plt;0.05，表1）。多因素Logistic分析显示，年龄是TI-RADS 3类及以上甲状腺恶性结节的独立保护因素，BRAFV600E基因突变，增强CT表现为包膜中断是TI-RADS 3类及以上甲状腺恶性结节的独立危险因素（Plt;0.05，表2）。

2.2" "建立预测模型

增强CT特征模型：LASSO特征筛选后选择了6个非零系数，包括年龄、性别、增强CT特征（边界不清、颈部淋巴结可见、钙化、包膜中断）。联合诊断模型：LASSO特征筛选后选择了4个非零系数，包括年龄、BRAFV600E基因、增强CT特征（边界不清、包膜不连续）。

2.3" 预测模型的比较与内部验证

2.3.1" 校准曲线" "校准曲线显示，两种预测模型鉴别结节恶性概率与实际结节恶性概率均具有良好一致性（图4），Hosmer-Lemeshow检验结果显示两种模型预测值和观测值之间没有统计学上的拟合偏差（Pgt;0.05）。

2.3.2" AUC效能" "ROC曲线图显示，联合诊断模型敏感度为88.7%，特异度为63.5%，准确度为81.7%，AUC值为0.816（95% CI：0.754～0.879，图5），诊断效能高于增强CT单独预测（AUC值为0.755，95%CI：0.688～0.821），两种模型之间的效能差异有统计学意义（Delong检验Plt;0.05）。

2.3.3" 临床决策曲线分析（DCA）" "DCA结果显示，模型的临床决策曲线在阀值概率为10%～90%范围内时，BRAFV600E联合增强CT诊断模型较单独增强CT诊断模型有更高的临床净收益（图6）。

2.3.4" 净重新分类指数（NRI）与综合判别改善指数（IDI）" "联合诊断模型与单独增强CT模型相比的NRI为0.308（0.151～0.465）（Plt;0.001），IDI为0.114（0.060～0.167）（Plt;0.001）。

2.3.5" 列线图" "将LASSO筛选出来的增强CT特征与BRAFV600E基因通过多元逻辑回归算法共同构建联合模型，并绘制列线图（图7）。

3" 讨论

随着诊断技术的发展，全球甲状腺癌发病率一直在上升，已成为中国最常见的内分泌恶性肿瘤［12］。CT已成为检查甲状腺结节最重要的成像方法之一，弥补了超声对气体、脂肪和骨声影敏感的缺点。增强CT可以准确显示病灶的血液供应及其与肿瘤、转移淋巴结等等［13-14］。BRAFV600E突变是甲状腺恶性结节常见突变基因，突变率高达30%～84%，BRAFV600E突变作用于BRAF的野生型构象中的疏水残基（P环），破坏了疏水作用下的非活性状态，使BRAF激酶成为激活通路的催化剂，继续激活MAPK通路，进而致癌［15］，有多项研究提示BRAFV600E与甲状腺恶性结节侵袭性特征和不良预后显著相关，包括肿瘤大小、PTC亚型、复发、复发风险分期、晚期T分期、晚期N分期等等［16-17］，本研究将基础人群定位到TI-RADS 3类及以上的甲状腺结节患者，以FNAC和术后组织病理结果为金标准，将BRAFV600E基因纳入增强CT诊断模型，不仅可以通过联合诊断方法更精确的预测甲状腺结节结节的良恶性，为需要定期复查的患者提供参考价值，更可以通过增强CT的影像组学特征和BRAFV600E与临床病理的相关性，进一步明确结节性质和与周围组织的关系，为临床医生在手术方法和手术范围的决策提供参考意义。

本研究提示，TI-RADS 3类及以上甲状腺结节中，增强CT图像表现为边界模糊、颈部淋巴结转移、包膜不连续为甲状腺恶性结节可能性较大，这与既往研究［18-19］一致。其中，年龄是TI-RADS 3类及以上甲状腺恶性结节的独立保护因素，甲状腺恶性结节组年龄较良性结节组小，与既往研究［20］相符。BRAFV600E突变和CT表现为包膜中断是TI-RADS 3类及以上甲状腺恶性结节的独立危险因素，BRAFV600E突变的甲状腺结节诊断为恶性的概率是非突变型的2.398倍，是因为本例研究中73.8%的恶性结节是甲状腺乳头状癌，因此BRAFV600E基因突变是甲状腺乳头状癌的一个非常有价值的生物信号，这与既往报道［21］一致。当CT表现为包膜中断时，提示诊断为恶性结节的概率是良性结节的1.424倍，这是因为当甲状腺结节存在恶性上皮细胞时，通常呈浸润性生长，瘤周组织、血管及胶原纤维等对瘤体向各方向的生长受限程度不同，故增强CT出现包膜不连续的征象，而甲状腺良性结节周围的腺体交界处多具有较厚的胶原纤维，血供较少，故增强扫描时良性结节的边缘显示更流畅［22-23］。研究表明，BRAFV600E突变与包膜中断是甲状腺恶性结节转移和复发的危险因素［24］，故术前检测BRAFV600E基因和增强CT对于指导临床诊疗具有重要意义，可以避免再次手术对患者造成二次伤害。在研究方法上，本研究选择的LASSO是最常用的特征筛选方法。通过添加约束条件和生成惩罚函数，对模型的系数进行压缩。将影响较小或无影响的自变量系数化为0，只留下系数不为0的自变量。惩罚强度由参数λ控制；λ越小，惩罚强度越低，有利于过度拟合，而过度拟合会导致拟合不足［25］。因此，λ的值是关键。本研究采用123倍交叉验证方法，得到最优λ为0.0297，选取了4个特征构建模型，分别为年龄、BRAFV600E基因、增强CT中的边界不清、包膜不连续特征，经过验证后发现，BRAFV600E联合增强CT模型的AUC为0.816（95% CI：0.754～0.879），较增强CT单独预测AUC 0.755（95% CI：0.754～0.879）的诊断效能高，NRI指数0.308（0.151～0.465）和IDI指数0.114（0.060～0.167）均提示联合诊断的预测能力较单独增强CT明显改善（Plt;0.001），但与另一项研究采用Fisher法和非条件Logistic法筛选的单独增强CT诊断模型AUC 0.93（95% CI：0.89～0.98）［26］相比诊断效能较低，可能是因为不同的统计学方法和纳入变量与模型的表现有关。单独增强CT预测模型与另一研究单独临床特征纳入的模型AUC面积0.69（95% CI：0.64～0.74）［27］相比，诊断效能更高。研究发现，当临床特征与CT相结合时，诊断模型的AUC为0.78（95% CI：0.65～0.91），较增强CT与BRAFV600E基因结合时的模型诊断效能差［28］，提示与临床特征相比，BRAFV600E联合增强CT的模型预测能力更好。以上研究均提示在预测甲状腺良恶性结节时，联合诊断的诊断效能较单一诊断更为优秀［29］，也提示临床指标和基因等既往不被重视的诊断方式，在与影像组学特征联合诊断时可以发挥出更大的诊断价值，可以推动甲状腺结节无创检测的发展。本例模型Hosmer-Lemeshow检验（Pgt;0.05）和校准曲线提示模型与实际病理诊断结果的拟合度较好，DCA曲线提示模型的临床应用前景较好，以上均提示本模型有较好的临床应用效能。

但本研究同样存在一定的局限性：有研究发现使用不同扫描仪获得的图像结果以及手动和自动分离之间的图像结果存在差异［30-31］，操作者的经验手法及主观性对评分结果同样有一定影响［32-33］，BRAFV600E基因和增强CT检测较超声、临床特征等检测费用较贵，增强CT有一定的放射暴露风险，故有一定的限制。本研究总样本中恶性样本较少，因此可能存在一定的选择偏倚，期待后期进一步扩充样本量进行更加深入的探讨，为患者的临床诊断和治疗提供更科学的依据。

综上所述，本研究基于增强CT影像组学特征和BRAFV600E基因相结合的列线图模型较单独增强CT预测模型能够更直观、可靠地鉴别TI-RADS 3类及以上的甲状腺良恶性结节，为TI-RADS 3类及以上甲状腺结节的良恶性鉴别提供了有价值的参考意义。

参考文献：

［1］" "Chen DW， Lang BHH， McLeod DSA， et al. Thyroid cancer［J］. Lancet， 2023， 401（10387）： 1531-44.

［2］" " 吴" 墅， 赵佳琦. TI-RADS分类联合细针穿刺活检术对甲状腺结节的诊断价值［J］. 同济大学学报： 医学版， 2022， 43（2）： 224-8.

［3］" " 马俊丽， 段立娜， 张" 薇， 等. 增强CT直方图分析鉴别甲状腺良恶性结节［J］. 中国医学影像技术， 2020， 36（1）： 59-63.

［4］" " 吴" 猛， 孟玉莲， 刘" 鹏， 等. CT双期增强影像征象在单发性甲状腺结节良恶性诊断中的价值［J］. 中国CT和MRI杂志， 2023， 21（10）： 46-8， 83.

［5］" " 刘晓云， 徐书杭， 邬宏恂， 等. 加强甲状腺结节细针穿刺规范化管理［J］. 中华内分泌代谢杂志， 2019， 35（10）： 819-24.

［6］" " 董林娟， 资欣月， 李庆文， 等. 基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值［J］. 临床放射学杂志， 2023， 42（9）： 1409-16.

［7］" "Volante M， Lam AK， Papotti M， et al. Molecular pathology of poorly differentiated and anaplastic thyroid cancer： what do pathologists need to know？［J］. Endocr Pathol， 2021， 32（1）： 63-76.

［8］" " Zhang J， Zhang JL， Han J. Advantages and clinical significance of enhanced CT combined with BRAFV600E gene detection in the diagnosis of papillary thyroid carcinoma［J］. Med Eng Phys， 2022， 110： 103862.

［9］" " Silva RRE， Borges VRA， Jardim AGS， et al. Correlation between thyroid fine needle aspiration and pathological examination： a 10 year retrospective study［J］. Einstein， 2023， 21： eAO0418.

［10］" Şahin M， Oguz A， Tuzun D， et al. Effectiveness of TI-RADS and ATA classifications for predicting malignancy of thyroid nodules［J］. Adv Clin Exp Med， 2021， 30（11）： 1133-9.

［11］" 罗" 丹， 韩艳波， 李" 双， 等. 甲状腺细针穿刺不同细胞学标本保存方法对BRAFV600E基因突变检测的影响［J］. 现代肿瘤医学， 2023， 31（5）： 835-8.

［12］" Xiao YX， Wu ZH， Ruan SN， et al. Development and validation of the nomogram for predicting preoperative vocal cord palsy in thyroid cancer patients［J］. Gland Surg， 2021， 10（2）： 541-50.

［13］" 朱" 皖， 裴" 莉， 罗礼云， 等. 超声造影与增强CT鉴别诊断良恶性甲状腺结节［J］. 中国医学影像技术， 2021， 37（6）： 871-4.

［14］" Choe J， Lee SM， Kim W， et al. CT radiomics-based prediction of anaplastic lymphoma kinase and epidermal growth factor receptor mutations in lung adenocarcinoma［J］. Eur J Radiol， 2021， 139： 109710.

［15］ Jr RR. Targeting ERK1/2 protein-serine/threonine kinases in human cancers［J］. Pharmacol Res， 2019， 142： 151-68.

［16］" Gan X， Shen F， Deng X， et al. Prognostic implications of the BRAFV600E mutation in papillary thyroid carcinoma based on a new cut-off age stratification［J］. Oncol Lett， 2020， 19（1）： 631-40.

［17］" 李心歆， 韦智晓. 甲状腺癌相关基因突变及其临床应用研究现状［J］. 广东医学， 2019， 40（S1）： 234-8.

［18］" 叶丽丽， 何祥发， 韦玉新， 等. 探讨640层螺旋CT对甲状腺单发良、恶性结节的鉴别诊断价值［J］. 临床放射学杂志， 2024， 43（4）： 528-31.

［19］" 杨春雷， 费" 兵， 姜锦贵， 等. 64排CT增强扫描在甲状腺结节良恶性诊断中的应用［J］. 中国耳鼻咽喉头颈外科， 2021， 28（1）： 56-8.

［20］" 周小花， 刘栋梁， 陈" 娅， 等. 内科住院患者良恶性甲状腺结节检出情况及发病相关影响因素分析［J］. 肿瘤预防与治疗， 2019， 32（4）： 345-9.

［21］" 孔繁云， 符尚宏， 唐昌明. 甲状腺癌超声表现与颈部淋巴结转移及BRAFV600E突变的关系研究［J］. 癌症进展， 2019， 17（2）： 158-61.

［22］" 陶" 全， 陈克敏， 周永明， 等. 初步探讨建立CT检查中甲状腺偶发结节的分类标准［J］. 中国医学计算机成像杂志， 2019， 25（6）： 520-5.

［23］" 王芳芳， 徐景景， 赵鲁平， 等. 基于CT影像特征的列线图对甲状腺良恶性结节鉴别诊断的价值［J］. 临床放射学杂志， 2023， 42（10）： 1561-6.

［24］" 赵春燕， 贾志云. 甲状腺癌中BRAFV600E的临床价值及端粒酶逆转录酶启动子突变的影响［J］. 生物医学工程学杂志， 2019， 36（2）： 338-42.

［25］ Daneshvar A， Mousa G. Regression shrinkage and selection via least quantile shrinkage and selection operator［J］. PLoS One， 2023， 18（2）： e0266267.

［26］" 梁红琴， 朱立强， 王" 健. 基于数据挖掘方法的甲状腺结节良恶性CT分类模型的建立［J］. 中国医学影像学杂志， 2019， 27（10）： 740-4.

［27］" 吴佳阳， 麦文锋， 李振宇， 等. CT关键征象联合临床指标鉴别诊断甲状腺TI-RADS 4-5类结节性质［J］. 暨南大学学报： 自然科学与医学版， 2023， 44（1）： 52-9.

［28］ Kong D， Zhang J， Shan W， et al. Evaluation of radiomics models based on computed tomography for distinguishing between benign and malignant thyroid nodules［J］. J Comput Assist Tomogr， 2022， 46（6）： 978-85.

［29］" "张" 萌， 金" 壮， 赵蕙琳， 等. 多模态超声联合临床特征建立对甲状腺结节良恶性诊断的预测模型［J］. 中国医学影像学杂志， 2024， 32（1）： 14-20.

［30］" Rogers W， Thulasi Seetha S， Refaee TAG， et al. Radiomics： from qualitative to quantitative imaging［J］. Br J Radiol， 2020， 93（1108）： 20190948.

［31］ Traylor KS. Computed tomography and MR imaging of thyroid disease［J］. Radiol Clin North Am， 2020， 58（6）： 1059-70.

［32］ Chen Y， Dong B， Jiang Z， et al. SuperSonic shear imaging for the differentiation between benign and malignant thyroid nodules： a meta-analysis［J］. J Endocrinol Invest， 2022， 45（7）： 1327-39.

［33］" 王洪杰， 于" 霞， 张" 鸣， 等. 基于CT的深度学习模型在甲状腺结节良恶性鉴别中的应用［J］. 中国中西医结合影像学杂志， 2020， 18（2）： 195-7.

（编辑：林" 萍）