切换至 "中华医学电子期刊资源库"
高级检索
中华医学超声杂志（电子版）

中华医学超声杂志（电子版） >

2023 , Vol. 20 >Issue 09: 895 - 903

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2023.09.002

高帧频超声影像学

基于高帧频超声造影的影像组学特征鉴别诊断甲状腺结节良恶性的价值

  • 张茜 ,
  • 陈佳慧 ,
  • 高雪萌 ,
  • 赵傲雪 ,
  • 黄瑛 , †
展开
  • 110004　沈阳，中国医科大学附属盛京医院超声科
通信作者：黄瑛，Email：

Copy editor: 吴春凤

收稿日期: 2023-06-07

  网络出版日期: 2023-12-11

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。
收起

Value of radiomics features based on high-frame-rate contrast-enhanced ultrasound in differential diagnosis of benign and malignant thyroid nodules

  • Qian Zhang ,
  • Jiahui Chen ,
  • Xuemeng Gao ,
  • Aoxue Zhao ,
  • Ying Huang , †
Expand
  • Department of Ultrasound, Shengjing Hospital of China Medical University, Shenyang 110004, China
Corresponding author: Huang Ying, Email:

Received date: 2023-06-07

  Online published: 2023-12-11

Copyright

Copyright by Chinese Medical Association No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission. All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

目的

评估从甲状腺灰阶超声图像、常规超声造影（CEUS）及高帧频超声造影（H-CEUS）图像中提取的影像组学特征对于甲状腺结节良恶性诊断的价值及其诊断效能。

方法

回顾性收集并最终纳入2021年1月至2022年4月中国医科大学附属盛京医院的186例患者的186个结节的灰阶超声图像、常规CEUS及H-CEUS视频数据，分别选择灰阶超声图像中结节最大长轴的横向切面、纵向切面以及常规CEUS和H-CEUS视频中造影剂到达时间、达峰时间、平均消退时间对应的3个关键帧图像这8张图像进行分析并提取相应的影像组学特征，采用逻辑回归和随机森林建立3种影像组学模型（灰阶超声、灰阶超声+常规CEUS和灰阶超声+H-CEUS模型），最后，评估这些影像组学特征的诊断效能，比较3种模型在测试集（38个结节）中的曲线下面积（AUC）、敏感度、特异度、阳性预测值（PPV）、阴性预测值（NPV）、准确性、F1评分。

结果

共提取186例患者186个结节的9000个影像组学特征，灰阶超声模型在测试集中的AUC、准确性、敏感度、特异度、PPV、NPV和F1评分分别为0.81、81.6%、68.8%、90.9%、84.6%、80.0%和0.76。灰阶超声+常规CEUS模型在测试集中的AUC、准确性、敏感度、特异度、PPV、NPV和F1评分分别为0.87、84.2%、68.8%、95.5%、91.7%、80.8%和0.79。灰阶超声+H-CEUS模型在测试集中的AUC、准确性、敏感度、特异度、PPV、NPV和F1评分分别为0.91、86.8%、87.5%、86.4%、82.4%、90.5%和0.85。

结论

基于灰阶超声图像、常规CEUS和H-CEUS关键帧图像的影像组学特征对于鉴别良恶性甲状腺结节具有一定价值，灰阶超声+H-CEUS图像的影像组学模型的诊断效能优于灰阶超声模型和灰阶超声+常规CEUS影像组学模型。

关键词： 高帧频超声造影; 影像组学; 甲状腺结节

本文引用格式

张茜 , 陈佳慧 , 高雪萌 , 赵傲雪 , 黄瑛 . 基于高帧频超声造影的影像组学特征鉴别诊断甲状腺结节良恶性的价值[J]. 中华医学超声杂志（电子版）, 2023 , 20(09) : 895 -903 . DOI: 10.3877/cma.j.issn.1672-6448.2023.09.002

Abstract

Objective

To evaluate the clinical application and diagnostic efficiency of the radiomics features extracted from thyroid B-mode ultrasound (B-US) images, contrast-enhanced ultrasound (CEUS) images, and high-frame-rate contrast-enhanced ultrasound (H-CEUS) images in classifying and predicting benign and malignant thyroid nodules.

Methods

We retrospectively collected and ultimately included B-US images, CEUS videos, and H-CEUS videos of 186 nodules from 186 patients. Next, we selected the following eight images to manually select the regions of interest: nodule in transverse section, nodule in longitudinal section, and the "rise time" frame, "time to peak" frame, and "mean transit time" frame of both CEUS and H-CEUS videos, and then extracted the corresponding radiomics features from these images. We established three radiomics models (B-US radiomics model, B-US+CEUS radiomics model, and B-US+H-CEUS radiomics model) based on these radiomics features by Logistic regression and random forest, and assessed the diagnostic performance of these radiomics features. Finally, the area under curve (AUC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV), accuracy (ACC), and F1-score in the test set (n=38) were calculated and compared.

Results

A total of 9000 significant radiomics features of 186 nodules from 186 patients were extracted. The AUC in the differential diagnosis of the nature of thyroid nodules was 0.81 for the B-US radiomics model, 0.87 for the B-US+CEUS radiomics model, and 0.91 for the B-US+H-CEUS radiomics model. The accuracy, sensitivity, specificity, PPV, NPV, and F1 scores of the B-US radiomics model in the test set were 81.6%, 68.8%, 90.9%, 84.6%, 80.0%, and 0.76, respectively; the corresponding values were 84.2%, 68.8%, 95.5%, 91.7%, 80.8%, and 0.79 for the B-US+CEUS radiomics model, and 86.8%, 87.5%, 86.4%, 82.4%, 90.5%, and 0.85 for the B-US+H-CEUS radiomics model.

Conclusion

Radiomics features based on B-US images, CEUS, and H-CEUS key frame images have appreciated clinical value in differentiating benign and malignant thyroid nodules. The diagnostic efficacy of the B-US+H-CEUS radiomics model is better than that of other radiomics models.

Key words： High-frame-rate contrast-enhanced ultrasound; Radiomics; Thyroid nodules

甲状腺结节在临床中非常常见，发生率高，而且近年来呈上升趋势。在普通人群中超声临床检出率可高达65%，但是其中恶性结节仅占不到10%，因此，准确鉴别结节良恶性、避免误诊漏诊或过度诊疗至关重要［1-2］。
近年来，超声造影（contrast-enhanced ultrasound，CEUS）作为一项非侵入性检查手段，在局灶性甲状腺病变评估中的作用已成为研究热点［3］，其主要原因是由于与多普勒超声相比，CEUS可以显示组织内的微小血管［4］，增强甲状腺结节的微循环血流显示，使检查者能够实时评估灌注和血管分布［5］。常规CEUS的帧频为10~15帧/s［6］，适合直径>1 cm的局灶性甲状腺病变的检查。高帧频超声造影（high frame rate contrast-enhanced ultrasound，H-CEUS）的帧频可达50帧/s以上，能够捕获直径<1 cm结节的详细灌注过程，对微小血管的结构显示得更加清晰，并可提高信噪比。目前，H-CEUS已广泛应用于肝、肾、胆囊、淋巴结等组织器官的病变诊断［7,8,9］。
影像组学是利用人工智能方法从单一或多个医学成像模式中高通量挖掘定量特征，从而客观、定量地描述组织和病变的属性［10］。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，实现无创、精准地鉴别甲状腺结节的良恶性。因此，本研究旨在通过机器学习的方法分别从灰阶超声图像、常规CEUS及H-CEUS图像中提取影像组学特征，并探索影像组学方法在甲状腺结节良恶性诊断中的价值，为甲状腺结节良恶性的诊断提供一种全新的思路。

资料与方法

一、对象

回顾性收集2021年1月至2022年4月在中国医科大学附属盛京医院行常规超声、常规CEUS及H-CEUS检查且有病理结果的186例患者共186个甲状腺结节的临床资料。病例纳入标准：（1）年龄≥18岁；（2）检查过程中留取完整的临床信息及超声影像信息；（3）签署知情同意书，并获得CEUS检查后的甲状腺结节病理结果。排除标准：（1）超声检查发现结节内巨大钙化者；（2）细针穿刺病理结果不明确（即Bethesda Ⅰ类和Ⅲ类）；（3）灰阶超声图像或造影影像不满意。以4∶1的比例将入组结节随机分为训练集（148个结节）和测试集（38个结节）。

二、仪器与方法

1.超声检查：采用Mindray Eagus Resona9超声诊断仪，L14-3U线阵探头，探头频率>10 MHz，开展常规超声及H-CEUS检查。将SonoVue造影剂（Bracco，Milan，Italy）粉末与5 ml生理盐水混合震荡制成悬液，取2.0 ml经肘部浅静脉团注，随后快速推注5 ml生理盐水冲管，应用H-CEUS模式对甲状腺结节进行动态观察并存储视频，H-CEUS的机械指数为0.07~0.08，动态范围100~115 dB，帧频为60~87帧/s。等待10 min后，取1.5 ml经肘部浅静脉团注，随后快速推注5 ml生理盐水冲管，应用常规CEUS模式对甲状腺结节进行动态观察并存储视频，常规CEUS的机械指数为0.06~0.08，动态范围110~115 dB，帧频为15帧/s。选择血流较为丰富结节的最大切面作为CEUS的观察及图像存储切面。
2. 病理诊断：纳入研究的每个结节均获得对应的组织学病理结果或细针穿刺细胞学检查结果。在本研究中，细胞学检查结果根据Bethesda分类标准［11］，将Bethesda Ⅱ类结节定义为良性，Bethesda Ⅴ类及Ⅵ类结节定义为恶性。
3. 图像选择与预处理：在本研究中，每个结节选择以下8张图像用于特征提取和模型开发：（1）灰阶超声图像中结节最大长轴横向切面；（2）灰阶超声图像中结节最大长轴纵向切面；（3）2种造影视频影像中造影剂到达时刻对应的一帧图像；（4）2种造影视频影像中造影剂灌注达峰时刻对应的一帧图像；（5）2种造影视频影像中平均消退时刻对应的一帧图像。
4. 感兴趣区勾画及特征提取（图1）：为了确保手动勾画的稳定性，在原始CEUS图像的二维灰阶图像中确定病变区域，由3名具有7年以上甲状腺超声诊断经验的医师对病灶区域分别独立进行人工勾画和标记，判断结节特征、做出甲状腺影像报告和数据系统（thyroid imaging reporting and data system，TI-RADS）分级并根据造影视频评估造影剂灌注情况。当3位医师意见不统一时，采取多数人的意见或继续讨论直至意见达成一致。随后使用开源软件lableme将所标记区域提取存储为Mask。使用截图工具裁剪CEUS关键帧和相应的Mask，并使用严格的坐标系统，将Mask代入CEUS关键帧图像中，得到病灶区域。将病灶区域作为感兴趣区，将每个结节的8张图像输入达尔文医准智能研究平台，用于特征提取和模型开发。
图1 图像选择、感兴趣区（ROI）勾画及特征提取流程
5. 影像组学特征提取与模型开发：在达尔文医准智能研究平台上运行影像组学模型，提取影像组学特征进行结节特征分类。每张图像提取1125个影像组学特征，共提取9000个影像组学特征，包括“original，exponential，gradient，lbp-2D，logarithm，square，squareroot，wavelet-LH，wavelet-HL，wavelet-HH，wavelet-LL，log-sigma-3-0-mm-3D”12类特征中的“shape2D、firststorder、glcm、gldm、glrlm、glszm、ngtdm”7种细节。由于本研究的二元分类属性，且影像组学特征较多，在选择特征时，根据模型给出的重要性分数，筛去低于阈值的特征，使用最大绝对值归一化、方差阈值筛选器选择有意义的特征进行模型开发，最终通过逻辑回归和随机森林建立模型，计算模型在训练集和测试集的性能。

三、统计学分析

采用SPSS 27.0软件和Python 3.9.12软件进行统计学分析。年龄为符合正态分布的计量资料，采用表示，采用t检验比较良恶性结节组间差异；结节最大径为不符合正态分布的计量资料，采用M（QR）表示，采用Mann-Whitney U检验比较2组间差异；余资料均为计数资料，采用例数（%）表示，采用χ2检验和Fisher精确概率检验比较2组间差异。绘制受试者操作特征（receiver operating characteristic，ROC）曲线，评价3种超声诊断模型的诊断效能，通过曲线下面积（area under curve，AUC）、准确性、敏感度、特异度、阳性预测值（positive predictive value，PPV）、阴性预测值（negative predictive value，NPV）和F1评分评估模型在结节分类中的效能，并计算敏感度、特异度、PPV、NPV的95%可信区间。以P<0.05为差异具有统计学意义。

结果

一、患者一般信息与结节的超声特征

研究共纳入186例患者的186个结节，所有结节均先行细针穿刺活检，其中62例患者于细针穿刺活检后2个月内行手术切除并获得手术病理结果。结节的病理分类：恶性结节108个，其中57个结节有手术切除的病理结果，36例为甲状腺乳头状癌，21例为甲状腺微小乳头状癌；良性结节78个，其中5个结节有手术切除的病理结果，3例为结节性甲状腺肿，1例为结节性甲状腺肿伴腺瘤样增生，1例为亚急性甲状腺炎。
训练集中恶性结节86个，良性结节62个；测试集中恶性结节22个，良性结节16个。在测试集中，灰阶超声模型和灰阶超声+常规CEUS模型正确诊断良性结节的数目均为11个，而灰阶超声+H-CEUS模型正确诊断良性结节的数目为14个；灰阶超声模型、灰阶超声+常规CEUS模型和灰阶超声+H-CEUS模型正确诊断恶性结节的数目分别为20个、21个和19个（表1）。
表1 不同超声组学模型对测试集甲状腺结节的诊断结果
诊断模型 病理结果
良性 恶性
灰阶超声
良性 11 2
恶性 5 20
灰阶超声+常规CEUS
良性 11 1
恶性 5 21
灰阶超声+H-CEUS
良性 14 3
恶性 2 19

注：CEUS为超声造影，H-CEUS为高帧频超声造影

良性结节组与恶性结节组患者的年龄和性别比较，差异均无统计学意义（P均>0.05，表2）。在甲状腺结节的灰阶超声特征中，结节最大径、内部成分、纵横比以及是否有微钙化方面，2组间差异有统计学意义（P均<0.05，表2），其中恶性组的结节最大径范围为3~28 mm，良性组的结节最大径范围为3~65 mm。在CEUS特征中，恶性结节（图2）组与良性结节（图3）组在灌注强度、灌注模式和灌注方式上比较，差异均具有统计学意义（P均<0.05，表2）。此外，2组结节的TI-RADS分级比较，差异具有统计学意义（P<0.05，表2）。
表2 良恶性甲状腺结节组一般临床资料及影像特征比较
项目 恶性结节组（n=108） 良性结节组（n=78） 统计值 P值
年龄（岁，） 43.06±11.51 46.54±12.30 t=1.973 0.050
性别[例（%）] χ2=2.905 0.088
男 21（19.44） 8（10.26）
女 87（80.56） 70（89.74）
结节最大径[mm，M（QR）] 7.0（5.0，10.0） 12.5（9.0，26.0） Z=6.076 <0.001
结节内部成分[例（%）]
实性 108（100） 69（88.46） - <0.001
非实性 0（0） 9（11.54）
纵横比[例（%）] χ2=22.965 <0.001
≥1 44（40.74） 7（8.97）
<1 64（59.26） 71（91.03）
内部钙化[例（%）] χ2=5.454 0.020
有微钙化 36（33.33） 14（17.95）
无微钙化 72（66.67） 64（82.05）
灌注强度[例（%）] χ2=17.330 <0.001
高灌注 9（8.33） 25（32.05）
等灌注 33（30.56） 20（25.64）
低灌注 66（61.11） 33（42.31）
灌注模式[例（%）] χ2=9.033 0.003
不均匀 48（44.44） 18（23.08）
均匀 60（55.56） 60（76.92）
灌注方式[例（%）] χ2=21.099 <0.001
向心性 38（35.19） 5（6.41）
非向心性 70（64.81） 73（93.59）
TI-RADS分级[例（%）] - <0.001
3级 0（0） 5（6.41）
4a级 28（25.93） 50（64.10）
4b级 41（37.96） 19（24.36）
4c级 39（36.11） 4（5.13）

注：TI-RADS为甲状腺影像报告与数据系统，-表示采用Fisher确切概率法，无相应统计值

图2 恶性结节常规超声造影图像及高帧频超声造影（H-CEUS）图像。该结节细针穿刺病理结果为“Bethesda Ⅵ”，甲状腺乳头状癌；图a为常规超声造影到达时刻图像；图b为常规超声造影达峰时刻图像；图c为常规超声造影平均消退时刻图像；图d为H-CEUS到达时刻图像；图e为H-CEUS达峰时刻图像；图f为H-CEUS平均消退时刻图像。本图中常规超声造影帧频为15帧/s，H-CEUS帧频为87帧/s
图3 良性结节常规超声造影图像及高帧频超声造影（H-CEUS）图像。该结节细针穿刺病理结果为“Bethesda Ⅱ”。图a为常规超声造影到达时刻图像；图b为常规超声造影达峰时刻图像；图c为常规超声造影平均消退时刻图像；图d为H-CEUS到达时刻图像；图e为H-CEUS达峰时刻图像；图f为H-CEUS平均消退时刻图像。本图中常规超声造影帧频为15帧/s，H-CEUS帧频为87帧/s

二、影像组学特征及模型效能评估

在2张灰阶超声图像中，共选取了6个影像组学特征进行逻辑回归分析和随机森林分析，包括了4类特征的“shape2D、firststorder、glrlm、glszm、ngtdm”5个细节。在2张灰阶超声+3张常规CEUS关键帧图像中选取了12个影像组学特征，包括7类特征的“shape2D、firststorder、glcm、glrlm、glszm、ngtdm”6个细节，在2张灰阶超声+3张H-CEUS关键帧图像中选取了50个影像组学特征，包括了12类特征的“shape2D、firststorder、glcm、gldm、glrlm、glszm、ngtdm”7个细节，分别进行逻辑回归分析和随机森林分析。基于灰阶超声、灰阶超声+常规CEUS和灰阶超声+H-CEUS的3种影像组学模型ROC曲线显示其在测试集的AUC分别为0.81、0.87和0.91（图4）。在测试集中，灰阶超声模型、灰阶超声+常规CEUS模型和灰阶超声+H-CEUS模型3种影像组学模型均具有较高的诊断效能，灰阶超声+H-CEUS模型的预测效能优于其他2种模型（表3）。
图4 灰阶超声模型、灰阶超声+常规超声造影（CEUS）模型和灰阶超声+高帧频超声造影（H-CEUS）模型在甲状腺结节测试集的受试者操作特征曲线
表3 3种诊断模型对测试集中甲状腺结节良恶性的诊断效能
诊断模型 准确性（%） 敏感度（%） 特异度（%） PPV（%） NPV（%） F1评分
灰阶超声 81.6 68.8（44.4~85.8） 90.9（72.2~97.5） 84.6（57.8~95.7） 80.0（60.9~91.1） 0.76
灰阶超声+常规CEUS 84.2 68.8（44.4~85.8） 95.5（78.2~99.2） 91.7（64.6~98.5） 80.8（62.1~91.5） 0.79
灰阶超声+H-CEUS 86.8 87.5（64.0~96.5） 86.4（0.66.7~95.3） 82.4（59.0~93.8） 90.5（71.1~97.4） 0.85

注：CEUS为超声造影，H-CEUS为高帧频超声造影，PPV为阳性预测值，NPV为阴性预测值；括号内数据为相应指标的95%可信区间

讨论

近年来，甲状腺癌的发病率持续快速增长，我国2003—2011年甲状腺癌发病年均增长率高达20.1%，在未来20年内甲状腺癌的发病数和死亡数均会呈现上升趋势［12］。因此，准确鉴别甲状腺结节的良恶性对临床进一步诊治至关重要。目前，组织学检查是诊断甲状腺结节良恶性的金标准，但较高的手术并发症发生率是目前临床医师的主要困扰［13］。超声引导细针穿刺细胞学检查可获得细胞学结果，具有较高的诊断价值，但其操作过程有创且取材具有一定的不确定性［14］。因此，寻找一种无创且有效的诊断方法尤为重要。影像组学分析作为一种新的研究方法，可以达到无创预测甲状腺结节良恶性的目的。
许多研究表明，基于超声图像的影像组学模型在甲状腺良恶性结节的鉴别中具有良好的诊断效能［15,16,17,18］。Zhu等［15］开发了一种基于常规超声图像的卷积神经网络算法模型，用以对甲状腺良恶性结节进行分类，其在外部测试集中的AUC为0.829。Park等［16］将放射组学与超声分级系统相结合，提高了甲状腺恶性结节的诊断率，在测试集中获得的AUC为0.75。Colakoglu等［17］通过对超声图像的纹理特征分析和随机森林模型构建来鉴别良性和恶性甲状腺结节，最终筛选了超声图像中的七个纹理特征，模型的诊断敏感度、特异度和准确性分别为85.2%、87.9%和86.8%。值得注意的是，该模型的AUC为0.92，是目前所知的基于常规超声图像的影像组学模型中性能最好的模型。Guo等［18］通过分析123个结节的影像组学特征，建立了基于灰阶超声图像及CEUS单帧图像的影像组学模型，其中灰阶超声模型的准确性为82.11%，AUC为0.791；灰阶超声+CEUS模型的准确性为84.55%，AUC为0.861。本研究中基于灰阶超声图像的模型的AUC为0.81，基于灰阶超声和CEUS图像的联合模型所获得的AUC为0.87，而基于灰阶超声和H-CEUS图像的联合模型所获得的AUC为0.91。分析其原因如下：本研究中恶性组结节平均直径较小，对于这类体积较小的结节，常规超声难以分辨其内部的特征，而H-CEUS通过清晰显示微小结构的完整灌注过程，弥补了常规超声及常规CEUS的不足，因此，灰阶超声和H-CEUS模型表现出更高的诊断效能。另外，本研究中，基于灰阶超声图像提取并选择出的有意义的6个特征中，包括了形状特征、一阶统计特征和二阶统计特征，基于灰阶超声和H-CEUS图像提取并选择的50个特征中，除上述3种类型的特征外还包括了多个高阶统计特征，这也是联合模型获得更优诊断效能的原因。
目前，CEUS已被用于初步鉴别诊断甲状腺结节的性质，因为不同性质的甲状腺结节微循环特征不尽相同。甲状腺恶性结节的造影定性分析特点主要表现为不均匀低增强，从外周向中心灌注，边缘不清晰；甲状腺良性结节主要表现为弥漫、均匀的高增强以及周边的规则高增强环［19,20,21］。但是甲状腺良恶性结节的常规CEUS定性分析存在重叠现象，而H-CEUS通过增加帧频，可以帮助显示微气泡的运动细节，从而更清晰准确地描绘血管形态［22］。H-CEUS已在局灶性肝病变、胆囊病变、颈部淋巴结等的良恶性鉴别诊断方面体现了较高的价值［7,8,9，23-24］。Fei等［23］发现，常规CEUS和H-CEUS在增强区域和显示血管结构方面有显著差异，尤其对于体积较小的肝局灶性病变，这种差异更为明显：对于大小为1~3 cm的肝病灶，在区分良恶性方面，H-CEUS的敏感度、特异度、准确性、阳性预测值以及阴性预测值分别为92.86%、95.0%、96.3%、90.48%和93.75%，高于常规CEUS（分别为75.0%、70.0%、77.78%、66.67%和72.91%）。Giangregorio等［24］通过对63例肝硬化患者的肝局灶性病变行CEUS检查发现，相比于常规CEUS，H-CEUS能够更好地显示病变特征，且具有更好的时间和空间分辨率，捕获常规CEUS无法观察到的灌注细节，提示H-CEUS在占位性病变的诊断中具有很高的价值。根据指南和既往研究［25-26］，甲状腺CEUS中有几个值得关注的帧和参数，如到达时间、达峰时间、峰值强度、上升振幅、下降振幅、AUC等。既往研究［27-28］表明，不均匀低增强、向心性增强、快速消退是恶性结节的预测因子。因此，本研究选择了H-CEUS视频中的3个关键帧，分别代表造影剂的灌注过程、达峰时刻以及消退过程，建立了一个基于灰阶超声和H-CEUS多帧图像的影像组学模型，该模型整合了灰阶超声和H-CEUS视频中3个关键帧的影像组学特征，获得了良好的诊断效能，其预测甲状腺结节良恶性的准确性高达86.84%，AUC为0.91，优于单独应用灰阶超声的影像组学模型。
本研究结果表明，H-CEUS的影像组学特征可以补充灰阶超声影像组学特征在甲状腺结节性质诊断中的不足，但影像组学特征与病理特征之间的因果关系尚不明确，这是影像组学目前的局限性，使数据的可解读性受到极大限制［29］。本研究中，灰阶超声和H-CEUS的联合模型获得了较高的诊断效能，考虑是由于血管生成是实体肿瘤生长、转移的先决条件，良、恶性肿瘤的血管分布各具特征，H-CEUS可以更加清晰地描述这些血管的形态，因此，基于H-CEUS图像的影像组学特征诸如小波特征、纹理特征、形态特征、灰度特征等对于识别恶性结节具有更大的价值。其中，纹理特征能够量化肿瘤内部成分的异质性，并解释图像相邻体素之间的信息共现关系或空间依存关系，对良恶性的鉴别有重要价值［30］。小波特征属于高阶统计特征，是通过特定的统计方法通过数学变换器计算而来，可以识别重复模式、噪声抑制、边缘增强等图像特征［31］。本研究中仅有灰阶超声+H-CEUS的联合模型提取并选择了这类特征，这也是该联合模型能够获得较高诊断效能的原因。此外，本研究选用的特征筛选方法，逻辑回归模型快速高效，处理大规模数据具有显著优势，且其模型的系数可以给出各个特征对模型的影响程度，具有良好的可解释性。随机森林是一种集成多个决策树的算法，降低了过拟合的风险，其抗噪声能力比较强［32］。
本研究尚有一定的局限性：样本量较小，且纳入的恶性结节大部分为4b~4c类结节，这些限制增加了选择偏倚的可能。
综上所述，基于甲状腺灰阶超声及H-CEUS多帧图像的影像组学模型，对甲状腺结节良恶性的预测具有较高价值，有望成为一种有前景的无创、快速、可行的诊断方法。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
Durante C, Grani G, Lamartina L, et al. The diagnosis and management of thyroid nodules: a review [J]. JAMA, 2018, 319(9): 914-924.

2
Grani G, Sponziello M, Pecce V, et al. Contemporary thyroid nodule evaluation and management [J]. J Clin Endocrinol Metab, 2020, 105(9): 2869-2883.

3
Sorrenti S, Dolcetti V, Fresilli D, et al. The role of CEUS in the evaluation of thyroid cancer: from diagnosis to local staging [J]. J Clin Med, 2021, 10(19): 4559.

4
Cantisani V, Consorti F, Guerrisi A, et al. Prospective comparative evaluation of quantitative-elastosonography (Q-elastography) and contrast-enhanced ultrasound for the evaluation of thyroid nodules: preliminary experience [J]. Eur J Radiol, 2013, 82(11): 1892-1898.

5
Greis C. Quantitative evaluation of microvascular blood flow by contrast-enhanced ultrasound (CEUS) [J]. Clin Hemorheol Microcirc, 2011, 49(1-4): 137-149.

6
Rafailidis V, Huang DY, Yusuf GT, et al. General principles and overview of vascular contrast-enhanced ultrasonography [J]. Ultrasonography, 2020, 39(1): 22-42.

7
李楠, 梁舒媛, 费翔, 等. 高帧频超声造影对颈动脉粥样硬化斑块内新生血管的评价价值 [J/OL]. 中华医学超声杂志(电子版), 2020, 17(9): 854-859.

8
Chen JH, Huang Y. High-frame-rate contrast-enhanced ultrasound findings of liver metastasis of duodenal gastrointestinal stromal tumor: A case report and literature review [J]. World J Clin Cases, 2022, 10(17): 5899-5909.

9
任玲, 费翔, 张艳, 等. 高帧率超声造影对颈部浅表淋巴结病变良恶性的鉴别诊断 [J]. 中国医学影像学杂志, 2021, 29(10): 989-992, 997.

10
Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis [J]. Eur J Cancer, 2012, 48(4): 441-446.

11
Cibas ES, Ali SZ. The 2017 Bethesda system for reporting thyroid cytopathology [J]. Thyroid, 2017, 27(11): 1341-1346.

12
Chen W, Zheng R, Baade PD, et al. Cancer statistics in China, 2015 [J]. CA Cancer J Clin, 2016, 66(2): 115-132.

13
Lo CY. Thyroidectomy for papillary thyroid carcinoma [J]. Methods Mol Biol, 2022, 2534: 39-56.

14
Cappelli C, Pirola I, Agosti B, et al. Complications after fine-needle aspiration cytology: a retrospective study of 7449 consecutive thyroid nodules [J]. Br J Oral Maxillofac Surg, 2017, 55(3): 266-269.

15
Zhu YC, Jin PF, Bao J, et al. Thyroid ultrasound image classification using a convolutional neural network [J]. Ann Transl Med, 2021, 9(20): 1526.

16
Park VY, Lee E, Lee HS, et al. Combining radiomics with ultrasound-based risk stratification systems for thyroid nodules: an approach for improving performance [J]. Eur Radiol, 2021, 31(4): 2405-2413.

17
Colakoglu B, Alis D, Yergin M. Diagnostic value of machine learning-based quantitative texture analysis in differentiating benign and malignant thyroid nodules [J]. J Oncol, 2019, 2019: 6328329.

18
Guo SY, Zhou P, Zhang Y, et al. Exploring the value of radiomics features based on B-mode and contrast-enhanced ultrasound in discriminating the nature of thyroid nodules [J]. Front Oncol, 2021, 11: 738909.

19
Liu Y, Wu H, Zhou Q, et al. Diagnostic value of conventional ultrasonography combined with contrast-enhanced ultrasonography in thyroid imaging reporting and data system (TI-RADS) 3 and 4 thyroid micronodules [J]. Med Sci Monit, 2016, 22: 3086-3094.

20
Zhou Q, Jiang J, Shang X, et al. Correlation of contrast-enhanced ultrasonoimagedata features with microvessel density in papillary thyroid carcinomas [J]. Asian Pac J Cancer Prev, 2014, 15(17): 7449-7452.

21
Hu Y, Li P, Jiang S, et al. Quantitative analysis of suspicious thyroid nodules by contrast-enhanced ultrasonography [J]. Int J Clin Exp Med, 2015, 8(7): 11786-11793.

22
韩鹏, 费翔, 罗渝昆, 等. 高帧频超声造影在鉴别诊断胆囊腺瘤性息肉与胆固醇性息肉中的临床应用 [J/OL]. 中华医学超声杂志(电子版), 2020, 17(9): 815-820.

23
Fei X, Han P, Jiang B, et al. High frame rate contrast-enhanced ultrasound helps differentiate malignant and benign focal liver lesions [J]. J Clin Transl Hepatol, 2022, 10(1): 26-33.

24
Giangregorio F, Garolfi M, Mosconi E, et al. High frame-rate contrast enhanced ultrasound (HIFR-CEUS) in the characterization of small hepatic lesions in cirrhotic patients [J]. J Ultrasound, 2023, 26(1): 71-79.

25
Sidhu PS, Cantisani V, Dietrich CF, et al. The EFSUMB guidelines and recommendations for the clinical practice of contrast-enhanced ultrasound (CEUS) in non-hepatic applications: update 2017 (short version) [J]. Ultraschall Med, 2018, 39(2): 154-180.

26
Radzina M, Ratniece M, Putrins DS, et al. Performance of contrast-enhanced ultrasound in thyroid nodules: review of current state and future perspectives [J]. Cancers (Basel), 2021, 13(21): 5469.

27
Pang T, Huang L, Deng Y, et al. Logistic regression analysis of conventional ultrasonography, strain elastosonography, and contrast-enhanced ultrasound characteristics for the differentiation of benign and malignant thyroid nodules [J]. PLoS One, 2017, 12(12): e0188987.

28
Xu Y, Qi X, Zhao X, et al. Clinical diagnostic value of contrast-enhanced ultrasound and TI-RADS classification for benign and malignant thyroid tumors: one comparative cohort study [J]. Medicine (Baltimore), 2019, 98(4): e14051.

29
Cao Y, Zhong X, Diao W, et al. Radiomics in differentiated thyroid cancer and nodules: explorations, application, and limitations [J]. Cancers (Basel), 2021, 13(10): 2436.

30
Rizzo S, Botta F, Raimondi S, et al. Radiomics: the facts and the challenges of image analysis [J]. Eur Radiol Exp, 2018, 2(1): 36.

31
Mayerhoefer ME, Materka A, Langs G, et al. Introduction to Radiomics [J]. J Nucl Med, 2020, 61(4): 488-495.

32
Sarica A, Cerasa A, Quattrone A. Random forest algorithm for the classification of neuroimaging data in Alzheimer's disease: a systematic review [J]. Front Aging Neurosci, 2017, 9: 329.

Options
文章导航

/

〈 〉

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号

AI
小
编
AI小编
你好！我是《中华医学电子期刊资源库》AI小编，有什么可以帮您的吗？