临床-CT影像组学联合模型对甲状腺乳头状癌(PTC)侧颈淋巴结转移(LCLNM)的术前精准预测精读

汇报内容：临床-CT影像组学联合模型评估※

一、项目背景※

论文题目： Artificial intelligence-assisted precise preoperative prediction of lateral cervical lymph nodes metastasis in papillary thyroid carcinoma via a clinical-CT radiomic combined model （2025-02-04）

目标： 本研究旨在开发一种人工智能辅助模型，利用计算机断层扫描（CT）影像组学技术，对甲状腺乳头状癌（PTC）患者的侧颈淋巴结转移（LCLNM）进行术前精准预测。

核心痛点：

1. PTC 淋巴结转移发生率高（30%–80%），其中 LCLNM 约占 40%。
2. LCLNM 的准确术前评估对于指导手术策略（是否进行侧颈淋巴结清扫术 LCLND）至关重要。
3. 当前评估手段的局限性： 颈部超声（US）是主要诊断工具，但其诊断性能差异大，评估 LCLNM 的汇集敏感性较低（70%）。不必要的侧颈淋巴结清扫术 (LCLND) 会增加术后并发症风险和痛苦。
4. 影像组学（Radiomics）利用 AI 技术从医学图像中提取定量特征，提供了一种非侵入性的精准医学方法，但其在评估 LCLNM 方面的应用仍然有限。

这项研究旨在通过结合临床风险因素和 CT 影像组学，为 PTC 患者的侧淋巴结清扫术提供非侵入性、精准的决策支持。

二、数据集与模型构建过程※

数据收集与筛选※

• 回顾性研究： 研究回顾性收集了来自西南医院、陆军军医大学（2021年1月至2022年12月）的 389 名确诊 PTC 患者的数据，作为主要队列。
• 外部验证： 另有来自另一家医院的 40 名患者作为独立的外部验证集。
• 分组： 389 名患者被随机分为训练集（n = 272）和内部验证集（n = 117），比例为 7:3。
• 核心纳入标准： 患者需经病理确诊 PTC 并接受了初次手术治疗，因 FNA 活检确认或术前超声可疑 LCLNM 而接受了 LCLND，并在术前 1 个月内进行了 CT 扫描。
• 临床特征： 收集的临床数据包括年龄、性别、BMI、肿瘤大小和位置、中央颈淋巴结转移（CCLNM Central Cervical Lymph Node Metastasis）、甲状腺包膜侵犯以及甲状腺功能测试结果等。

CT 图像采集与分割※

• 设备与协议： 使用 64 层螺旋 CT （Siemens Somatom Definition AS，德国）或双源螺旋 CT （Somatom Definition Flash，德国）扫描仪，管电压 100–120 kV，自动管电流调整，螺距 1.2–1.5。
• 关键时相： 提取影像组学特征的图像来自对比剂注射后 15–20 秒的静脉期扫描。
• 感兴趣区（ROI）勾画： 数据上传至大数据 AI 平台，由两名经验超过 10 年的放射科医生在静脉期图像上半自动勾画 ROI。勾画者知道甲状腺癌的诊断，但对临床和组织病理学数据不知情（盲法）。
• 一致性评估： 随机选择 30 名患者进行重复勾画，计算组内相关系数（ICC）以评估肿瘤特征的一致性。

影像组学特征提取与选择※

• 特征提取： 使用开源 Python 包 Pyradiomics (v3.0.1)，遵循 IBSI 指南。
  • 通过 B 样条插值将图像重新采样到目标间距。
  • 应用 7 种滤波器（如对数、梯度）和 8 组小波变换。
  • 总共从 16 组图像中提取了 1724 个影像组学特征。
  • 特征预处理包括丢弃零方差的非信息性特征和应用 Z-score 归一化。
• 特征选择（三步法）：
  1. 稳定性筛选： 保留 ICC ≥ 0.75 的特征（共保留 446 个特征）。
  2. 显著性筛选： 使用方差分析（ANOVA）识别显著特征（P < 0.05），并移除 Pearson 相关系数超过 0.90 的冗余特征。

  3. 最终选择： 应用 LASSO（最小绝对收缩与选择算子）方法，通过 10 折交叉验证确定最佳参数 \(lambda\) 后，最终选择了 13 个关键影像组学特征。

     

模型开发与整合※

• 临床模型： 通过单变量和后向逐步多变量逻辑回归分析，确定了四个与 LCLNM 显著相关的临床因素：年龄、肿瘤上部甲状腺位置、甲状腺包膜侵犯和 CCLNM。
• 影像组学模型： 评估了四种机器学习模型（SVM、RF、LR、XGBoost）。
  • 由于训练集存在严重的类别不平衡（LCLNM/非 LCLNM 比例为 1:3），采用了 SMOTE（合成少数类过采样技术）在训练过程中平衡类别分布。
  • 经过五折交叉验证，随机森林（RF）算法表现最佳，被选为最终的影像组学模型。
  • 基于这 13 个影像组学特征，计算出影像组学评分（Rad-score）。
• 联合模型构建： 最终通过整合 Rad-score 和四个临床显著特征（年龄、肿瘤位置、甲状腺包膜侵犯、中央颈淋巴结转移（CCLNM）），开发了临床-CT影像组学联合模型（即列线图 ）。

三、数据集的评估过程※

研究团队采用 ROC 曲线（AUC）、校准曲线和决策曲线分析（DCA）来评估临床模型、影像组学模型和联合模型的性能。

注：联合模型的 AUC 值和平衡准确率均显著优于单独的临床模型和影像组学模型。

模型性能分析与发现※

1. 联合模型的优越性： 临床-CT影像组学联合模型在所有数据集上展现出最强大的判别能力，其 AUC 均值最高（训练集 0.910，内部验证集 0.876，外部验证集 0.821）。这表明结合临床背景信息与肿瘤内部异质性的定量特征（影像组学）可以显著提高 LCLNM 的预测准确性。
2. 影像组学特征的贡献： 最终选定的 13 个影像组学特征属于形状特征、小波变换特征、GLDM 等六大类。通过 SHAP 分析，SurfaceVolumeRatio_original 被确定为最重要的预测因子。

3. 临床实用性： 决策曲线分析（DCA）显示，该联合模型在所有队列的阈值概率范围内提供了显著的临床净获益。校准曲线显示预测结果与实际观察结果高度吻合。此外，混淆矩阵显示，模型在验证集中的假阳性率较低，这有助于减少不必要的过度治疗（如非必要的 LCLND）。

   

四、实验分析与发现※

• CT 影像组学的优势： 尽管超声（US）影像组学研究报告了高 AUC（例如 Tong 等人报告 AUC 为 0.946），但 US 具有内在局限性。CT 扫描提供了全面的三维视图，特别是增强 CT 能更灵敏、更清晰地可视化小淋巴结并评估增强模式。
• LCLNM 预测的挑战： 多数影像组学研究集中在 CCLNM 预测。本研究专注于 LCLNM，并使用了更大的样本量，为侧颈区域淋巴结清扫提供了支持。
• 跳跃性转移（Skip Metastasis）： 研究发现，在 389 名患者中，有 31 例 (7.9%) 表现出 LCLNM 而没有 CCLNM 受累，这强调了准确术前 LCLNM 评估的重要性。
• 特征相关性弱： 13 个影像组学特征与临床因素（如年龄、包膜侵犯、CCLNM）之间的相关性较弱，而肿瘤位置与影像组学特征没有显著相关性。这表明影像组学特征提取了与传统临床指标互补的、反映肿瘤生物异质性的信息。
• 模型解释性： SHAP 图谱提供了可解释性，例如，较大的 Maximum2DDiameterRow_original（最大二维直径行）会增加淋巴结转移的可能性。

五、结论与未来展望※

结论※

本研究成功建立了一个临床-CT影像组学联合模型，用于预测 PTC 患者的 LCLNM，该模型在内部和外部验证集上均表现出良好的性能，有望显著增强 PTC 患者侧颈淋巴结清扫术的手术决策制定。

局限性与未来展望※

1. 回顾性限制： 尽管结果令人鼓舞，但该研究是回顾性的，且外部验证集规模（40个病例）有限。模型需要通过更大规模的随机对照试验进行前瞻性验证，以确认其在真实世界环境中的可靠性和普遍性。
2. 基因组整合： 由于数据限制，模型中未纳入基因组信息（如 \(BRAF^{V600E}\) 突变状态）。未来的工作应考虑整合定量影像特征与基因组表型，以提高模型的价值和可理解性。
3. 模型扩展： 当前工作主要集中于 LCLNM 状态的预测。未来计划将模型扩展到联合预测 CCLNM 和 LCLNM 的转移状态，从而进一步提高淋巴结清扫术的术前决策效率。

临床应用转化※

为了促进临床应用，研究团队已将该模型免费在线提供（项目地址：https://sqliu.shinyapps.io/AI_Models_PTC_R/），使放射科医生能够利用 AI 模型辅助诊断，从而可能减少不必要的 FNA（细针穿刺）和过度治疗。