影像组学在甲状腺癌中的应用进展

蔡昱，丁雪明，肖盼

（广西医科大学第二附属医院 超声科，广西 南宁 530007）

0 引言

甲状腺癌是内分泌系统常见的肿瘤，在最近几十年中，甲状腺癌，尤其是甲状腺乳头状甲状腺癌的发病率急剧上升。据估计，每年约有52,890新发病例，2,180例死亡病例[1]。超声、CT、MRI是甲状腺结节检查的影像学方法，而超声因操作简便、快捷等优势成为甲状腺结节首先的影像学检查方法。由于超声依赖操作者的经验，因此有必要探索一种高效、准确的检查方法。影像组学首先由Lambin教授提出，是由医学影像大数据进行定量分析，分析影像特征与临床疾病之间的相关性，建立预测模型，从而对疾病进行分期分型，预测患者生存。目前影像组学已经在多种疾病中开展，包括乳腺癌、肝癌、肺癌等多种疾病，本文主要总结了影像组学在甲状腺癌中的临床应用研究。

1 影像组学对于甲状腺结节良恶性的判断

尽管超声是甲状腺结节首选的影像学检查方法，但也具有一定的局限性。一项研究结果指出，与初级放射科医师进行的ACR TI-RADS评估相比，影像组学在经过三级医院组织学验证的甲状腺结节中表现出良好的预测甲状腺结节恶性的性能[2]。应用影像组学方法分析甲状腺结节的CT平扫图像，根据提取的影像组学特征，构建了不同的诊断模型，结果表明共组合成支持向量机模型在训练集中的诊断的准确性、特异度、敏感度均为100%，在测试集中准确性、特异度、敏感度分别为91.4%、95.5%、82.7%，而常规超声分别为77.3%、73.8%、79.5%，CT平扫则为71.7%、61.5%、84.3%，结果表明基于CT的影像组学建立的共组合成支持向量机模型对甲状腺结节良恶性诊断具有一定的价值，优于超声及CT平扫[3]。另一研究也表明人工智能对于预测甲状腺结节的良恶性具有一定的应用价值[4]。

2 影像组学预测甲状腺癌淋巴结转移

超声检查是评估甲状腺癌有无淋巴结转移的首先影像学方法，然而受检查者的操作水平、临床经验等因素的影响，具有一定的局限性。有研究基于甲状腺癌的超声横切面、纵切面及双切面，利用影像组学探讨甲状腺癌结节的纹理特征对中央区淋巴结转移判断的能力，其结果显示甲状腺结节横切面、纵切面、双切面预测甲状腺癌中央区淋巴结转移的准确率分别为66.06%、68.12%、77.69%，表明基于甲状腺癌结节的双切面影像组学方法预测甲状腺癌中央区淋巴结转移的准确性高于单切面[5]。有学者从超声图像中筛选出50个预测淋巴结状态的影像组学特征，基于50个影像组学特征的模型显示，对淋巴结预测的AUC值在训练集中为0.712，在测试集中为0.727，其结果显示基于影像组学可以术前无创评估甲状腺乳头状癌转移风险[6]。有研究发现从剪切波弹性成像（shear-wave elastography，SWE）图像和相应的B型超声（BMUS）图像中提取并筛选出与中央区淋巴结转移相关的影像组学特征，并构建了SWE和BMUS评分模型，结果表明中央区淋巴结转移患者的SWE和BMUS Rad得分均明显增高，SWE Rad评分、多焦点和超声报告淋巴结状态是中央区淋巴结转移的独立危险因素，应用三者构建出的诺模图在判断中央区淋巴结转移中显示出良好的校准和区分度，在训练组中，AUC值为0.851（95%CI：0.791-0.912），验证组中，AUC值为0.832（95%CI：0.749-0.916）[7]。除了SWE外，还可以从应变弹性成像超声（SE-US）中提取影像组学特征，一项研究利用超B型超声，SE-US中提取特征，构建预测甲状腺癌淋巴结转移的模型，AUC值为0.90，精确度为0.85，敏感度为0.88[8]。此外，影像组学还可用于评估甲状腺癌侧区淋巴结转移的评估，一项研究结果显示，在训练集中，区分颈部侧区淋巴结有无转移的AUC值为0.710（95%CI：0.649-0.770），验证集中AUC值为0.621（95%CI：0.569-0.682）[9]。无论超声、CT或者二者联合，对于甲状腺癌中央区淋巴结转移诊断的敏感度均不高，有学者对比研究了超声影像组学、超声、CT以及超声联合CT对甲状腺乳头状癌中央区淋巴结转移的诊断价值，结果表明超声影像组学对中央区淋巴结转移的诊断的敏感性、准确性均高于超声、CT、超声联合CT[10]。另一项研究则基于CT影像学资料构建了诺模图，改善了甲状腺乳头状癌患者中央区淋巴结转移术前预测的价值[11]。

3 影像组学特征与甲状腺癌其他特征的研究

研究表明，超声影像组特征与甲状腺癌数种蛋白质呈相关性[12]。免疫组化一般是患者术后取得组织后才进行的一种的检查方法，而通过影像组学可以预测可疑甲状腺结节的免疫组化结果，基于CT的影像资料构建了预测甲状腺结节的免疫指标的模型，细胞角蛋白19模型的最佳性能在训练队列中的准确性为84.4%，在验证队列中的准确性为80.0%。甲状腺过氧化物酶和半乳凝素3预测模型在训练队列中的准确度分别为81.4%和82.5%，在验证队列中的准确度为84.2%和85.0%，表明通过影像组学的方法构建的模型可用预测可疑甲状腺结节的免疫组化指标[13]。影像组学还可以术前评估甲状腺癌的侵袭性，基于机器学习的多参数MRI影像组学的研究结果显示术前区分甲状腺癌的侵袭性的AUC值为0.92，而仅凭临床特征预测侵袭性的AUC值为0.56，表明基于机器学习的多参数MR影像学放射学可以在术前准确地区分侵袭性型和非侵袭性型甲状腺乳头状癌， 这种方法可能有助于分析患者的治疗策略和预后[14]。另一项基于CT的影像组学术前预测甲状腺癌的腺体外浸润的研究纳入了5个与腺体外浸润显著相关的影像组学特征，构建的诺模图提高了对甲状腺癌腺体外浸润评估的预测价值[15]。预后是临床医生常常关注的一个问题，基于超声的影像组学评估甲状腺乳头状癌患者无病生存的危险比值为3.087，因此基于超声的影像组学特征可能可以成为甲状腺乳头状癌患者风险分层的生物标记物[16]。

综上所述，影像组学在甲状腺癌中的应用包括对甲状腺结节良恶性的判断、术前评估甲状腺癌有无颈部淋巴结转、与甲状腺癌相关蛋白、基因的相关性研究以及甲状腺癌预后的分析。因此影像组学对甲状腺癌的研究具有巨大的发展空间，随着影像组学研究的发展，其对临床的作用也会愈发突出。