基于超聲聲像圖構建數(shù)學模型對實性為主甲狀腺結節(jié)良惡性判別研究

南京醫(yī)科大學第一附屬醫(yī)院超聲醫(yī)學科，江蘇 南京 210029

流行病學調查顯示，甲狀腺癌的發(fā)病率逐年增高［1-2］。目前判別甲狀腺結節(jié)良惡性的首選影像學手段是超聲檢查。通過常規(guī)超聲觀察結節(jié)特征，依據(jù)甲狀腺影像報告與數(shù)據(jù)系統(tǒng)（Thyroid Imaging Reporting and Data System，TIRADS），用分級的方式評價甲狀腺結節(jié)惡性風險程度。絕大多數(shù)（82%～91%）的甲狀腺癌是實性結節(jié)。隨著結節(jié)內囊性成分的增加，其惡性率也在下降。在以囊性為主的甲狀腺結節(jié)（囊性成分＞50%）中惡性率只有3%［3］。而以實性為主的甲狀腺結節(jié)，尤其是微囊性結節(jié)，其惡性率仍不可忽視［4］。甲狀腺癌在進展過程中如發(fā)生出血、壞死亦可以形成囊腔，結節(jié)性甲狀腺腫在生長較快時亦可出現(xiàn)出血、壞死，超聲檢查時均可表現(xiàn)為囊實性結節(jié)［5］。因此在臨床工作中對于囊實性甲狀腺結節(jié)的良惡性仍需仔細甄別。本研究通過提取以實性為主的甲狀腺結節(jié)（囊性成分＜50%）超聲特征，利用Spearman相關性分析及逐步回歸分析方法（Stepwise）對結節(jié)特征變量進行篩選，結合偏最小二乘-判別分析法（partial least squares-discriminant analysis，PLS-DA）和logistic回歸分析方法構建甲狀腺結節(jié)良惡性風險預估模型，并對以實性為主的結節(jié)良惡性進行預測分析。

1 資料和方法

1.1 對象

收集2018年1月—12月在南京醫(yī)科大學第一附屬醫(yī)院就診的甲狀腺結節(jié)患者，選取其中聲像圖資料完整且圖像質量較高的患者進行回顧性分析，入組患者共97例，其中女性71例，男性26例，年齡16～79歲，平均年齡（41.9±10.5）歲，共97個結節(jié)納入統(tǒng)計，病理學檢查結果中良性40個，惡性57個。40個良性結節(jié)均經(jīng)細胞學檢查證實為良性濾泡結節(jié)，同時有BRAF基因V600E突變檢測為野生型。57個惡性結節(jié)中，16個結節(jié)經(jīng)細胞學檢查證實為可疑乳頭狀癌，同時BRAF基因V600E突變檢測為突變型；41個結節(jié)經(jīng)手術后病理學檢查為1個濾泡癌和40個甲狀腺乳頭狀癌。

納入標準：患者有甲狀腺結節(jié)，且結節(jié)以內部結構實性為主；超聲圖像清晰，患者病史信息完善；經(jīng)手術后病理學檢查或細胞學檢查證實為乳頭狀癌及良性濾泡結節(jié)。排除標準：既往行消融、硬化治療等介入治療術；2名醫(yī)師對結節(jié)相關超聲圖像特征存在爭議；細針抽吸活組織檢查（fine needle aspiration biopsy，F(xiàn)NAB）結果為無法診斷或不滿意、非典型病變/意義不明的濾泡性病變、濾泡性腫瘤或可疑濾泡性腫瘤、可疑惡性腫瘤。

1.2 儀器與方法

使用荷蘭Philips公司的EPIQ5超聲診斷儀、德國Simens公司的Acuson S3000超聲診斷儀，線陣探頭頻率為7～12 MHz。調節(jié)超聲診斷儀（模式、深度、焦點、增益等），使圖像顯像至最佳效果；囑患者放松，保持仰臥位，頸部輕度后仰，充分暴露頸部。將探頭置于頸前正中，甲狀腺軟骨的下方，行橫向及縱向多切面掃查，每側葉掃查至甲狀腺包膜消失，觀察結節(jié)特征并評估頸部淋巴結情況；

依據(jù)韓國甲狀腺放射學會（Korean Society of Thyroid Radiology，KSThR）甲狀腺結節(jié)TIRADS分級［6］，在選取性別、年齡、甲狀腺整體回聲、結節(jié)形態(tài)、結節(jié)邊緣、內部回聲、強回聲、縱橫比、血流模式的基礎上，對結節(jié)內囊性成分是否擴散、囊性成分是否偏心位、實性部分回聲是否均勻等結節(jié)超聲特征進行分析。在評估過程中為了達到評判的規(guī)范性，對以上征象進行分類［7］。在不知病理學檢查結果和患者臨床資料前提下，由2名高年資超聲醫(yī)師分別分析每個結節(jié)的同一典型圖像，依據(jù)TI-RADS分級各自描述記錄每個結節(jié)的描述詞和分類，描述不一致者予以刪除。

變量賦值：因變量（Y）為結節(jié)的病理學診斷結果（良性=0、惡性=1），此外，將患者性別、年齡、甲狀腺整體回聲、形態(tài)、邊緣、囊性成分分布、囊性成分位置、結節(jié)內實性部分回聲、實性部分回聲是否均勻、強回聲、縱橫比、血管模式、病灶數(shù)目等11個超聲特征作為待篩選的自變量（X），具體賦值情況詳見表1［7，12］。

表1 甲狀腺超聲特征變量賦值

1.3 統(tǒng)計學處理

本研究首先利用Spearman相關性分析對實性為主甲狀腺結節(jié)特征變量進行分析，并利用逐步回歸分析方法（Stepwise）對特征變量進行篩選，然后基于PLS-DA和logistic回歸分析方法建立結節(jié)良惡性判別模型，并進行預測分析。在數(shù)據(jù)分析過程中，采用蒙特卡羅模擬方法隨機將97個結節(jié)樣本分為訓練集和預測集，其80%結節(jié)樣本為訓練集，20%結節(jié)樣本為預測集。因此，訓練集包括46個癌癥結節(jié)樣本、33個非癌癥結節(jié)樣本，預測集中包括11個癌癥結節(jié)樣本、7個非癌癥結節(jié)樣本?；陬A測集樣本分析結果繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計算ROC曲線的曲線下面積（area under curve，AUC）。為了驗證方法的準確性及穩(wěn)定性，利用蒙特卡羅模擬隨機運行1 000次，并采用t檢驗對兩個方法的AUC值進行比較。PLS-DA及l(fā)ogistic回歸分析方法程序基于MATLAB軟件編寫，t檢驗基于SPSS軟件分析。

2 結 果

2.1 相關性分析及變量篩選

超聲是評價甲狀腺結節(jié)良惡性的重要影像學手段，其中以實性為主的甲狀腺結節(jié)良惡性判別研究為其難點之一。圖1為2個囊實性結節(jié)，1個為單發(fā)結節(jié)（圖1A～C），該結節(jié)實性部分呈極低回聲，周邊內可見點狀強回聲，囊性成分分布偏心、局限，結節(jié)周邊可見點條狀血流信號，結節(jié)內實性部分血流信號不豐富；術后病理學檢查證實該結節(jié)為甲狀腺乳頭狀癌，癌組織累犯背膜；BRAF基因第15號外顯子突變。另1個結節(jié)為多發(fā)結節(jié)（圖1D、E），該結節(jié)內部結構以實性為主，結節(jié)實性成分為低回聲，內可見粗大強回聲，囊性成分散在分布，結節(jié)周邊及實性部分血流稍豐富；細胞學病理診斷結果顯示為良性濾泡結節(jié)，伴較多吞噬細胞；BRAF基因V600E突變檢測為野生型。這2個結節(jié)如不加以仔細甄別，經(jīng)驗不豐富的青年醫(yī)師很容易誤診。

圖1 以實性為主的甲狀腺結節(jié)超聲聲像圖

本研究首先對97例以實性為主的甲狀腺結節(jié)的良惡性指標進行Spearman相關性分析。結果表明：與以實性為主的甲狀腺結節(jié)良惡性顯著相關且相關系數(shù)絕對值大于0.5的變量包括囊性是否偏心（r=0.519，P＜0.01）、強回聲（r=0.695，P＜0.01）、邊緣（r=0.618，P＜0.01）、形態(tài)（r=0.551，P＜0.01）以及囊性成分分布（r=0.630，P＜0.01）；而性別（r=-0.223，P＜0.05）、年齡（r=-0.177，P＜0.05）、實性部分回聲是否均勻（r=0.337，P＜0.05）、血流（r=0.230，P＜0.05）、病灶數(shù)目（r=0.210，P＜0.05）、縱橫比（r=0.340，P＜0.05）也存在顯著相關性，但相關系數(shù)r的絕對值小于0.5，其臨床意義較?。徽w回聲與以實性為主的甲狀腺結節(jié)良惡性指標則沒有顯著相關性。因此，基于Spearman相關性分析篩選變量包括囊性是否偏心、強回聲、邊緣、形態(tài)以及囊性成分分布。此外，我們利用Stepwise方法進行變量篩選，發(fā)現(xiàn)變量年齡［擬合系數(shù)（Coeff）=-0.0044，P＜0.05］、強回聲（Coeff=0.1009，P＜0.0 1）、邊緣（Coeff=0.1267，P＜0.0 1）、縱橫比（Coeff=0.1221，P＜0.01）、甲狀腺整體回聲（Coeff=-0.1572，P＜0.01）和囊性成分分布（Coeff=0.3489，P＜0.01）與以實性為主的甲狀腺結節(jié)良惡性顯著相關。而Spearman相關性分析及Stepwise方法篩選的變量差異較大，為了保證建立的診斷模型準確性和穩(wěn)定性，選擇兩種方法篩選變量的并集用于后續(xù)數(shù)學模型的構建。因此，最終篩選出的8個變量指標，包括年齡［X（2）］、甲狀腺整體回聲［X（3）］、形態(tài)［X（4）］、邊緣［X（5）］、囊性成分分布［X（6）］、囊性成分位置［X（7）］、強回聲［X（10）］以及縱橫比［X（11）］。

2.2 PLS-DA方法建模分析

PLS-DA作為一種統(tǒng)計學方法，基于最小化誤差平方和，找到一組數(shù)據(jù)最佳匹配函數(shù)建立線性診斷模型。在PLS-DA分析前，先將臨床數(shù)據(jù)構成矩陣，其中行變量為不同結節(jié)，列變量為甲狀腺特征變量。在一次計算中，P L S-D A基于訓練集構建模型如下（因子數(shù)N=2）：Y=-0.3 5 8×X（2）-0.8 6 4×X（3）+0.7 3 6×X（4）+1.220×X（5）+1.765×X（6）-0.174×X（7）+1.436×X（10）+0.857×X（11）+0.595。此時，PLS-DA分析結果如圖2所示，其中藍色為訓練集，紅色為預測集，Y＜0.5的甲狀腺結節(jié)判定為良性，Y＞0.5的甲狀腺結節(jié)判定為惡性。97個結節(jié)中，96個結節(jié)均判定正確，只有預測集樣本中第94個惡性結節(jié)的Y＜0.5，被錯誤判定為良性結節(jié)，而其病理學檢查結果為乳頭狀癌?；陬A測集樣本分析結果繪制ROC曲線（圖3），計算AUC值為0.955，結果比較滿意。

為了驗證方法的準確性及穩(wěn)定性，利用蒙特卡羅模擬隨機運行1 000次，PLS-DA結果如表2所示，訓練集的真陽性、真陰性準確度平均值分別是97.2%和99.8%，而2.8%的癌癥結節(jié)和0.2%的非癌癥結節(jié)被錯誤判定，即存在假陽性和假陰性。預測集中PLS-DA的真陽性和真陰性預測率平均值分別是92.9%和96.6%，此時，AUC均值為0.947，95% CI為0.932～0.963。

圖2 PLS-DA模型訓練集及預測集的散點圖

圖3 基于PLS-DA和logistic回歸分析的ROC曲線

表2 蒙特卡羅模擬運行1 000次PLS-DA分析結果

2.3 logistic回歸分析方法建模分析

logistic回歸分析是一種廣義的線性回歸分析模型，是醫(yī)學中最常用的疾病診斷模型。在一次計算中，logistic建立模型如下：logistic（Y）=-9.372×X（2）+1.107×X（3）+1.220×X（4）+0.6 8 9×X（5）-2.2 9 9×X（6）-0.0 2 9×X（7）+3.9 7 2×X（11）-1.798×X（10）+5.251。此時，logistic回歸分析結果如圖4所示，其中Y=0的甲狀腺結節(jié)被判定為良性，Y=1的甲狀腺結節(jié)病理結果被判定為惡性。97個結節(jié)中，95個結節(jié)判定正確，2個結節(jié)判定錯誤。這2個結節(jié)均是預測集樣本：其中第20個樣本為良性結節(jié)，而其Y值為1，被誤判為惡性結節(jié)；第94個樣本為惡性結節(jié)，其Y值為0，被誤判為良性結節(jié)?；陬A測集樣本分析結果繪制ROC曲線（圖3），計算AUC值為0.883。

圖4 logistic回歸模型訓練集及預測集的散點圖

為了驗證方法的準確性及穩(wěn)定性，同樣利用蒙特卡羅模擬隨機運行1 000次，logistic回歸分析結果如表3所示，訓練集的真陽性、真陰性準確度平均值分別是95.9%和96.6%，而4.1%的癌癥結節(jié)和3.4%的非癌癥結節(jié)被錯誤判定。預測集中l(wèi)ogistic回歸分析的真陽性、真陰性預測率平均值分別是92.0%和88.8%，而8.0%的癌癥結節(jié)和11.2%非癌癥結節(jié)被錯誤判定，此時，AUC均值為0.904，95% CI為0.883～0.924。通過t檢驗比較logistic回歸分析和PLS-DA的AUC值，結果表明，PLS-DA的AUC值顯著大于logistic回歸分析的結果（P＜0.01）。

表3 蒙特卡羅模擬運行1 000次logistic回歸分析結果

3 討 論

大多數(shù)囊實性甲狀腺結節(jié)是良性結節(jié)，然而隨著對甲狀腺研究的深入，人們發(fā)現(xiàn)一部分甲狀腺癌也可伴發(fā)囊性改變［4，8-9］。據(jù)文獻［10］報道，在甲狀腺惡性腫瘤中，實性結節(jié)及微囊性結節(jié)占88%，實性為主甲狀腺結節(jié)約占9%，囊實性甲狀腺結節(jié)容易被臨床低估。因此，以實性為主的惡性結節(jié)除了我們常說的惡性結節(jié)基本特征如患者年齡、甲狀腺整體回聲、有無強回聲、邊緣、形態(tài)、縱橫比，結節(jié)內囊性是否偏心、囊性成分分布是否局限等特征也應引起超聲醫(yī)師的注意。我們希望構建一個較為穩(wěn)健的診斷模型，在難以判斷結節(jié)性質時，可借助于這兩種模型進行綜合判斷［11-12］。

研究結果表明，Spearman相關性分析及逐步回歸分析均顯示腫瘤與發(fā)病年齡呈負相關，即惡性腫瘤發(fā)病年齡較良性小，這可能與青少年甲狀腺乳頭狀癌發(fā)病率升高有關。據(jù)最新的流行病學調查，兒童與青少年分化型甲狀腺癌發(fā)病率顯著增高也許不能完全歸咎于檢查手段敏感性提高與過度治療［13］，而肥胖、激素、環(huán)境等因素也是可能的誘因［14-15］。Stepwise逐步回歸分析顯示甲狀腺整體回聲（Coeff=-0.157 2，P＜0.01）與以實性為主的甲狀腺結節(jié)良惡性顯著相關，與既往文獻［16-17］報道相符。聲像圖上的結節(jié)內強回聲并非均為微鈣化，除常說的砂粒體外，還有可能是纖維條索、鈣鹽沉積，或是膠體結晶、纖維化、囊內出血［18-20］。臨床工作中除了選用高頻探頭觀察點狀強回聲的形態(tài)，觀察點狀強回聲的位置也可以作為輔助判斷方法，如位于囊性成分內，更偏向于膠質凝聚而成；如位于實性成分內，則偏向于微鈣化。當結節(jié)囊性成分呈偏心性，局限性分布、形態(tài)不規(guī)則、邊緣不清晰、縱橫比＞1都提示結節(jié)存在惡性風險。結節(jié)內血供情況在本研究中差異無統(tǒng)計學意義，因此我們還是需要在二維圖像的基礎上，綜合多種因素進行分析判斷。

本研究分析結節(jié)超聲特征，利用Spearman相關性分析及 Stepwise分別篩選相關變量，并使用篩選變量的并集用于后續(xù)診斷模型的建立。分別使用logistic回歸分析及PLS-DA用于構建以實性為主的甲狀腺結節(jié)良惡性判別診斷模型，并用于預測分析。PLS-DA真陽性預測值（訓練集97.2%、預測集99.8%）、真陰性預測值（訓練集92.9%、預測集96.6%）及l(fā)ogistic回歸分析真陽性預測值（訓練集95.9%、預測集96.6%）、真陰性預測集（訓練集92.0%、預測集88.8%）均可接受，說明二者都可以用于以實性為主的甲狀腺結節(jié)良惡性判別診斷，但PLS-DA的AUC值（0.947）顯著高于logistic回歸分析（0.904）（P＜0.01），說明PLS-DA建立模型的預測能力在一定程度上優(yōu)于logistic回歸分析。

本研究的局限性在于，納入本研究的患者數(shù)（n=97）相對較少。另外，良性結節(jié)的診斷是基于細胞學及BRAF基因V600E突變檢測，而不是術后病理學檢查。因為一般良性結節(jié)在FNAB獲得細胞學檢查結果后并不能確認系手術適應證。今后，將進一步行大樣本多中心研究，驗證并提高模型的準確性。