甲状腺结节多模态超声成像智能化评估模型构建及验证研究

发布时间：2020-08-13 04:24

【摘要】：第一部分 超声实时组织弹性成像提高甲状腺结节恶性风险分层的诊断效能目的探讨超声实时组织弹性成像(Real-Time Tissue Elastography,RTE)的超声弹性评分(elasticity score,ES)与甲状腺恶性风险分层(Malignancy Risk Stratification,MRS)的相关性,评价RTE对MRS鉴别结节良恶性的补充价值。材料与方法共有1498例患者(女性885例,男性613例,平均年龄43.5 ± 12.4岁),经细针抽吸(FNA)和/或手术证实的甲状腺结节1525个(最大直径D≤2.5 cm)。根据结节大小分为4组(D≤0.5 cm,0.5D≤1.0 cm,1.0D≤2.0 cm,2.0D≤2.5 cm)。每个结节均获得弹性评分(ES)及恶性风险分层(MRS)。利用Spearman相关分析探讨RTE与MRS之间的相关性。采用受试者工作曲线(Receiver operator characteristic,ROC)分析,比较RTE、MRS单独及RTE与MRS联合鉴别诊断甲状腺结节良恶性的效能。结果RTE和MRS在0.5D≤1.0cm、1.0D≤2.0cm和2.0D≤2.5cm的结节区间内具有较强的相关性(相关系数r分别为0.768、0.711及0.743)。RTE和MRS联合应用在各尺寸区间的诊断效果均优于单独应用RTE或MRS(P0.001)。结论总而言之,RTE与MRS有较强相关性,RTE与MRS的结合优于单独RTE或MRS。因此,RTE是MRS鉴别甲状腺结节良恶性的良好辅助诊断工具。第二部分 多模态超声技术鉴别TI-RADS 4类甲状腺结节良恶性的价值目的常规超声在鉴别诊断TI-RADS(甲状腺影像学报告及数据系统)4类甲状腺结节良恶性上是困难的。本研究旨在评估多模态超声成像技术是否能提高鉴别诊断TI-RADS4类结节良恶性的准确性。方法对170名患者共196个(78例良性,118例恶性)TI-RADS 4类甲状腺结节,术前进行常规超声超声(US)、超微血流成像(SMI)和实时组织弹性成像(RTE)多模态超声成像。以手术病理结果为诊断金标准,比较各种方法的敏感性、特异性、准确性、假阴性率和假阳性率及多模态超声联合应用的诊断效能。结果在鉴别诊断TI-RADS 4类结节的良恶性上,常规超声诊断的敏感性、特异性、准确性、假阴性率、假阳性率分别为65.25%、69.23%、66.84%、34.75%、30.77%;超微血流成像的分别为 77.97%、93.59%、84.18%、22.03%、6.41%;实时组织弹性成像的分别为80.51%、84.62%、82.14%、19.49%、15.38%;多模态超声新技术联合诊断的敏感性、特异性、准确性、假阴性率、假阳性率分别为94.08%、87.18%、91.33%、6.93%、12.82%。US、SMI、RTE和多模态超声成像在鉴别诊断TI-RADS 4类结节时,ROC曲线下面积(AUC)分别为67.2%、84.40%、86.60%和95.50%。结论初步研究结果显示,多模态超声成像能够弥补各成像技术的劣势,可以提第三部分 甲状腺结节诊断的机器学习辅助系统目的超声检查有助于鉴别诊断甲状腺结节的良恶性,但其诊断准确性很大程度上取决于操作者的经验。因此,我们的目标是构建机器学习辅助的诊断模型以减少诊断主观性。方法这项回顾性研究获得了机构伦理审查委员会的批准,并豁免患者知情同意。这项研究共包含2064个结节(2032名患者,695名男性,1337名女性;平均年龄45.25±13.49岁)。符合这项研究的入选标准如下:(1)进行了甲状腺部分切除术或全切术;(2)结节最大直径小于等于2.5 cm;(3)术前1个月内进行常规超声和超声实时弹性成像检查(real-time elastography,RTE),以及(4)既往没有做过甲状腺手术或超声消融术。根据9种常用机器学习算法,随机选择60%的样本用于模型训练,并使用剩余的40%的样本进行验证。假定所有模型的先验概率为10%。所有模型随机自助抽样1000次以获得平均诊断结果,并与经验丰富的超声科医生的诊断结果进行比较。计算其敏感性、特异性、准确性和曲线下面积AUC。结果随机森林算法获得最佳诊断效果,优于传统超声诊断(AUC:0.924,95%CI:0.895-0.953 vs.0.834,95%CI:0.815-0.853)以及传统超声联合RTE诊断(AUC:0.938,95%CI:0.914-0.961 vs.0.843,95%CI:0.829-0.857)。结论基于超声检查的机器学习算法,特别是随机森林算法,比超声科医生更准确地诊断甲状腺结节良恶性。高TI-RADS 4类结节的诊断效能,为鉴别诊断难鉴良恶性的TI-RADS 4类结节的良恶性提供了更全面、丰富的信息。第四部分基于网络的甲状腺结节恶性风险分层系统的开发与验证目的根据甲状腺结节临床、生化及超声等特征,建立一种实用、简便的甲状腺结节恶性风险分类预测模型,可为临床决策提供辅助参考,具有重要的临床意义。方法回顾性分析2011年4月至2016年10月在我院所收治的2818名患者共2850例甲状腺结节(女性1890例,男性928例,平均年龄46.0 ±12.9岁)。两名超声科医生独立双盲提取每个结节的临床、生化和超声数据。然后,我们随机选取所有结节中80%的结节样本进行多变量逻辑回归分析。确定恶性风险分界点,建立风险分层评分系统。在该系统中,我们根据患者的评分,将患者归类为低、中、高恶性风险结节。之后,我们利用剩下的20%的患者对模型进行了验证。利用受试者工作特性曲线下的面积(ROC-AUC)来评价系统的恶性风险分层能力。结果选择9个变量作为恶性风险分层系统的预测因子。评分4.0为低风险,评分4.0～6.0为中等风险,评分≥6.0为高风险。恶性风险从0%至100.0%,与风险评分的增加呈正相关性。训练集组和验证集的AUC分别高达0.936(95%CI:0.923-0.949)和 0.934(95%CI:0.908-0.960)。结论本研究表明,一个简单可靠的网络恶性风险分层系统可用于甲状腺结节的恶性风险分层。
【学位授予单位】：南方医科大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：R445.1;R581
【图文】：

彡

本文编号：2791521