Page 79 - 南京医科大学自然版
P. 79

第44卷第7期         王 皓，杜昱升，王       友，等. 基于光谱CT和影像组学特征的机器学习模型和列线图预测甲
                  2024年7月              状腺结节良恶性［J］. 南京医科大学学报（自然科学版），2024，44（7）：958-965                   ·963 ·


                   A                                              B
                         NIC                                          NIC
                     Radscore                                      Radscore
                                                                                                        Feature value
                         Age                                           age                               High
                         FT3                                          FT3

                         λHu                                           λHu                               Low
                         FT4                                          FT4

                         Sex                                          Sex
                             0      0.5     1.0     1.5    2.0           -3  -2   -1   0    1    2   3
                                    Mean（｜SHAP value｜）                              SHAP value

                   A：XGBoost model importance gain chart. B：XGBoost SHAP summary plot. The variables were sorted from top to bottom，and it can be observed
                that NIC，Radscore，age，λHu，and FT3 are the top 5 influential features in the model.
                                             图3 XGBoost模型变量重要性图与SHAP简要图
                                    Figure 3 Importance plot and SHAP summary plot of XGBoost model


                                             表3 XGBoost算法变量重要影响因素逻辑回归
                                 Table 3  XGBoost algorithm⁃variable importance factors for logistic regression

                                       Univariate analysis                         Multivariate analysis
                 Characteristic
                                 OR       95% CI       Z         P       OR         95% CI        Z        P
                   NIC          0.100   0.042-0.200  -5.885   < 0.001    0.099    0.032-0.233   -4.662   < 0.001
                   Radscore     4.573   2.853-8.013   5.809   < 0.001    4.918    2.609-10.810   4.442   < 0.001
                   Age          0.954   0.926-0.981  -3.193   < 0.001    0.946    0.902-0.987   -2.465     0.014
                                0.813   0.513-1.135  -1.045     0.296     -           -           -        -
                   λHu
                   FT3          1.061   0.764-1.485   0.355     0.722     -           -           -        -

                测，进一步构建的列线图也展示了良好的预测能力                                影像组学通过对医学图像进行高通量的定量
                和临床实用性。                                           特征分析，能够揭示传统影像学中无法发现的图像
                    光谱 CT 采用稀有金属钇和稀土陶瓷材质的双                        特征，有助于建立诊断预测模型，为个体精准医疗
                层探测器结构，在不更改常规扫描流程的同时可以                            提供有利的条件        ［20］ 。已有研究表明影像组学在预
                获取能谱信息如碘密度图、能谱曲线等                  ［15］ 。本研究      测甲状腺结节良恶性方面具有一定潜力，Park 等                    ［21］
                发现恶性甲状腺结节的 NIC 显著低于良性结节，与                         使用超声图像的影像组学特征进行分类得出的
                先前的研究结果一致          ［16］ 。良性甲状腺结节测量出               AUC为0.75，武欣欣等      ［22］ 结合CT的平扫与增强特征
                了较高的碘值，其原因主要是它们在组织结构上保                            及临床数据得到了更好的AUC为0.793。本研究运
                留了正常甲状腺细胞的功能和更加丰富的血管供                             用了差异性比较、组间一致性评估与 LASSO 的方
                给，增强了碘造影剂的输送和积累                ［17］ 。与此相对，        法，最终筛选出了与良恶性相关的 3 个一阶特征与
                恶性甲状腺结节内部的纤维化、坏死或钙化以及更                            3 个 纹 理 特 征 。 其 中 ，一 阶 特 征 10Percentile 与
                多的异常紊乱血管导致血流量下降，表现出碘值的                            90Percentile 表示直方图灰度强度的分布，Minimum
                降低  ［18］ 。本研究还发现，年龄是甲状腺恶性结节的                      则表示为图像的最小像素值，GLSZM、NGTDM 与
                预测风险因素。其原因可能与激素水平异常相关，                            GLCM 主要提供纹理的变化和细节丰富度的信息，
                特别是女性青春期与孕期的雌激素和孕激素波动，                            上述特征表明良性与恶性结节在不同维度上的异
                这些激素的显著变化可影响甲状腺细胞受体或模                             质性  ［23］ 。为了提升ML预测效能，本研究比较了6种
                拟TSH的活性来改变甲状腺功能，进而促进甲状腺                           不同的 ML 算法，发现 XGBoost 表现最优，在验证集
                癌的发展    ［19］ 。此外，青年人群健康意识的提升及甲                    中的 AUC 达到了 0.938。XGBoost 是一种高效准确
                状腺超声检查的广泛应用，也可能是甲状腺结节检                            的集成学习方法，通过梯度提升和极端情况下的处
                出率提高的原因之一。                                        理能力，能优化多个决策树以逐步减小模型的预测
   74   75   76   77   78   79   80   81   82   83   84