【摘要】：第一部分 超聲實時組織彈性成像提高甲狀腺結(jié)節(jié)惡性風險分層的診斷效能目的探討超聲實時組織彈性成像(Real-Time Tissue Elastography,RTE)的超聲彈性評分(elasticity score,ES)與甲狀腺惡性風險分層(Malignancy Risk Stratification,MRS)的相關(guān)性,評價RTE對MRS鑒別結(jié)節(jié)良惡性的補充價值。材料與方法共有1498例患者(女性885例,男性613例,平均年齡43.5 ± 12.4歲),經(jīng)細針抽吸(FNA)和/或手術(shù)證實的甲狀腺結(jié)節(jié)1525個(最大直徑D≤2.5 cm)。根據(jù)結(jié)節(jié)大小分為4組(D≤0.5 cm,0.5D≤1.0 cm,1.0D≤2.0 cm,2.0D≤2.5 cm)。每個結(jié)節(jié)均獲得彈性評分(ES)及惡性風險分層(MRS)。利用Spearman相關(guān)分析探討RTE與MRS之間的相關(guān)性。采用受試者工作曲線(Receiver operator characteristic,ROC)分析,比較RTE、MRS單獨及RTE與MRS聯(lián)合鑒別診斷甲狀腺結(jié)節(jié)良惡性的效能。結(jié)果RTE和MRS在0.5D≤1.0cm、1.0D≤2.0cm和2.0D≤2.5cm的結(jié)節(jié)區(qū)間內(nèi)具有較強的相關(guān)性(相關(guān)系數(shù)r分別為0.768、0.711及0.743)。RTE和MRS聯(lián)合應用在各尺寸區(qū)間的診斷效果均優(yōu)于單獨應用RTE或MRS(P0.001)。結(jié)論總而言之,RTE與MRS有較強相關(guān)性,RTE與MRS的結(jié)合優(yōu)于單獨RTE或MRS。因此,RTE是MRS鑒別甲狀腺結(jié)節(jié)良惡性的良好輔助診斷工具。第二部分 多模態(tài)超聲技術(shù)鑒別TI-RADS 4類甲狀腺結(jié)節(jié)良惡性的價值目的常規(guī)超聲在鑒別診斷TI-RADS(甲狀腺影像學報告及數(shù)據(jù)系統(tǒng))4類甲狀腺結(jié)節(jié)良惡性上是困難的。本研究旨在評估多模態(tài)超聲成像技術(shù)是否能提高鑒別診斷TI-RADS4類結(jié)節(jié)良惡性的準確性。方法對170名患者共196個(78例良性,118例惡性)TI-RADS 4類甲狀腺結(jié)節(jié),術(shù)前進行常規(guī)超聲超聲(US)、超微血流成像(SMI)和實時組織彈性成像(RTE)多模態(tài)超聲成像。以手術(shù)病理結(jié)果為診斷金標準,比較各種方法的敏感性、特異性、準確性、假陰性率和假陽性率及多模態(tài)超聲聯(lián)合應用的診斷效能。結(jié)果在鑒別診斷TI-RADS 4類結(jié)節(jié)的良惡性上,常規(guī)超聲診斷的敏感性、特異性、準確性、假陰性率、假陽性率分別為65.25%、69.23%、66.84%、34.75%、30.77%;超微血流成像的分別為 77.97%、93.59%、84.18%、22.03%、6.41%;實時組織彈性成像的分別為80.51%、84.62%、82.14%、19.49%、15.38%;多模態(tài)超聲新技術(shù)聯(lián)合診斷的敏感性、特異性、準確性、假陰性率、假陽性率分別為94.08%、87.18%、91.33%、6.93%、12.82%。US、SMI、RTE和多模態(tài)超聲成像在鑒別診斷TI-RADS 4類結(jié)節(jié)時,ROC曲線下面積(AUC)分別為67.2%、84.40%、86.60%和95.50%。結(jié)論初步研究結(jié)果顯示,多模態(tài)超聲成像能夠彌補各成像技術(shù)的劣勢,可以提第三部分 甲狀腺結(jié)節(jié)診斷的機器學習輔助系統(tǒng)目的超聲檢查有助于鑒別診斷甲狀腺結(jié)節(jié)的良惡性,但其診斷準確性很大程度上取決于操作者的經(jīng)驗。因此,我們的目標是構(gòu)建機器學習輔助的診斷模型以減少診斷主觀性。方法這項回顧性研究獲得了機構(gòu)倫理審查委員會的批準,并豁免患者知情同意。這項研究共包含2064個結(jié)節(jié)(2032名患者,695名男性,1337名女性;平均年齡45.25±13.49歲)。符合這項研究的入選標準如下:(1)進行了甲狀腺部分切除術(shù)或全切術(shù);(2)結(jié)節(jié)最大直徑小于等于2.5 cm;(3)術(shù)前1個月內(nèi)進行常規(guī)超聲和超聲實時彈性成像檢查(real-time elastography,RTE),以及(4)既往沒有做過甲狀腺手術(shù)或超聲消融術(shù)。根據(jù)9種常用機器學習算法,隨機選擇60%的樣本用于模型訓練,并使用剩余的40%的樣本進行驗證。假定所有模型的先驗概率為10%。所有模型隨機自助抽樣1000次以獲得平均診斷結(jié)果,并與經(jīng)驗豐富的超聲科醫(yī)生的診斷結(jié)果進行比較。計算其敏感性、特異性、準確性和曲線下面積AUC。結(jié)果隨機森林算法獲得最佳診斷效果,優(yōu)于傳統(tǒng)超聲診斷(AUC:0.924,95%CI:0.895-0.953 vs.0.834,95%CI:0.815-0.853)以及傳統(tǒng)超聲聯(lián)合RTE診斷(AUC:0.938,95%CI:0.914-0.961 vs.0.843,95%CI:0.829-0.857)。結(jié)論基于超聲檢查的機器學習算法,特別是隨機森林算法,比超聲科醫(yī)生更準確地診斷甲狀腺結(jié)節(jié)良惡性。高TI-RADS 4類結(jié)節(jié)的診斷效能,為鑒別診斷難鑒良惡性的TI-RADS 4類結(jié)節(jié)的良惡性提供了更全面、豐富的信息。第四部分基于網(wǎng)絡的甲狀腺結(jié)節(jié)惡性風險分層系統(tǒng)的開發(fā)與驗證目的根據(jù)甲狀腺結(jié)節(jié)臨床、生化及超聲等特征,建立一種實用、簡便的甲狀腺結(jié)節(jié)惡性風險分類預測模型,可為臨床決策提供輔助參考,具有重要的臨床意義。方法回顧性分析2011年4月至2016年10月在我院所收治的2818名患者共2850例甲狀腺結(jié)節(jié)(女性1890例,男性928例,平均年齡46.0 ±12.9歲)。兩名超聲科醫(yī)生獨立雙盲提取每個結(jié)節(jié)的臨床、生化和超聲數(shù)據(jù)。然后,我們隨機選取所有結(jié)節(jié)中80%的結(jié)節(jié)樣本進行多變量邏輯回歸分析。確定惡性風險分界點,建立風險分層評分系統(tǒng)。在該系統(tǒng)中,我們根據(jù)患者的評分,將患者歸類為低、中、高惡性風險結(jié)節(jié)。之后,我們利用剩下的20%的患者對模型進行了驗證。利用受試者工作特性曲線下的面積(ROC-AUC)來評價系統(tǒng)的惡性風險分層能力。結(jié)果選擇9個變量作為惡性風險分層系統(tǒng)的預測因子。評分4.0為低風險,評分4.0～6.0為中等風險,評分≥6.0為高風險。惡性風險從0%至100.0%,與風險評分的增加呈正相關(guān)性。訓練集組和驗證集的AUC分別高達0.936(95%CI:0.923-0.949)和 0.934(95%CI:0.908-0.960)。結(jié)論本研究表明,一個簡單可靠的網(wǎng)絡惡性風險分層系統(tǒng)可用于甲狀腺結(jié)節(jié)的惡性風險分層。
【學位授予單位】：南方醫(yī)科大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：R445.1;R581
【圖文】：

彡

本文編號：2791521