Page 91 - 南京医科大学自然版

第46卷第10期 周 雨，周 燕，许泳康，等. 双能CT碘图影像组学特征对甲状腺乳头状癌侧颈区淋巴结转
2026年10月 移的诊断价值［J］. 南京医科大学学报（自然科学版），2026，46（10）：1518-1526，1552 ·1521 ·

1.2.7 特征选择及模型构建 检验比较差异；不符合正态分布的定量参数，用中
为保证模型稳定性，对所有参数进行组内相关 位数（四分位数）［M（P25，P75）］表示，通过 Mann⁃
系数（intraclass correlation coefficient，ICC）分析，去 Whitney U 秩和检验进行比较。采用受试者工作特
除ICC低于0.8的特征 ［15］ 。为降低过拟合，采用最小 征（receiver operating characteristic，ROC）曲线和曲
绝对收缩和选择算子（least absolute shrinkage and 线下面积（area under curve，AUC）评估各模型的诊
selection operator，LASSO）回归 5 倍交叉验证分析进 断效能，并采用DeLong检验进行比较。通过校准曲
一步筛选特征，获得最优特征子集。采用支持向 线分析该模型风险预测的准确度。P < 0.05为差异
量机（support vector machine，SVM）方法构建传统 有统计学意义。
影像特征模型、DECT 定量参数模型、影像组学模
2 结 果
型及联合模型。先配制 LASSO 特征选择模块，以
SelectFromModel 作 为 特 征 选 择 器 ，其 内 部 采 用 2.1 患者特征

LASSO CV模型，设置最大迭代次数max_iter=100 000 训 练 集 中 BRAF V600E 突 变 比 例（78.6% vs.
确 保 模 型 收 敛 ，同 时 设 定 特 征 选 择 参 数 63.3%，P=0.024）高于验证集，其余临床基线资料两
selector__max_features为np.arange（2，20，1），用于遍 组间差异均无统计学意义（P均>0.05，表1）。
历筛选2~19个最优特征，利用LASSO CV的L1正则 2.2 DECT图像特征和定量参数筛选及建模
化特性压缩冗余特征系数至 0，完成特征降维与优 除验证集中的结外侵犯特征（P=0.340）外，转移
化。随后配制SVM分类模块，选用支持向量分类器 和非转移LN之间所有CT图像特征（表2）及定量参
（support vector classifier，SVC）作 为 分 类 器 ，设 置 数（表 3）差异均有统计学意义（P 均<0.05）。利用
probability=True 以 支 持 后 续 分 类 概 率 输 出 及 性 SVM构建的传统影像特征模型纳入淋巴结大小、是
能评估，同时设定分类器参数 classifier_kernel 为 否早期明显强化和囊变特征。传统影像特征模型
［’linear’，’poly’，’rbf’］，涵盖 3 种常用核函数。之 在训练集和验证集中的AUC 分别为0.803和0.804，
后将上述 LASSO 特征选择模块（selector）与 SVM 分 灵敏度分别为83.2%和88.4%，特异度分别为73.7%
类器模块（classifier）通过 Pipeline 函数串联，构建 和73.5%（表4），95%CI分别为0.765~0.841和0.748~
“特 征 选 择 ⁃ 分 类”一 体 化 流 水 线 模 型 ，再 采 用 0.861。
GridSearchCV 对模型进行超参数调优，遍历预设的 DECT 定量参数模型纳入动脉期 IC、动脉期
LASSO特征选择参数与SVM分类器参数组合，筛选 Zeff、动脉期 NZeff、动脉期λHU、静脉期 NIC 和静脉
出最优参数。本研究训练集/验证集划分、特征筛 期 NZeff。模型在训练集中的 AUC、灵敏度、特异度
选、参数调优全部限定在训练集内。 和 95% CI 分 别 为 0.939、92.4% 、86.1% 和 0.918~
1.3 统计学方法 0.960，在验证集中分别为 0.933、92.2%、87.2%和
应用 SPSS 26.0、MedCalc 20.0、Python 软件进行 0.901~0.965（表4）。
统计分析。对于定性资料，采用卡方检验或 Fisher 2.3 影像组学特征筛选及建模
确切概率法进行评估。对于符合正态分布的定量 LASSO 回归筛选出 19 个影像组学特征用于后
参数，用均数±标准差（x ± s）表示，通过两独立样本t 续建模，其中 14 个为动脉期组学参数（动脉期原始

表1 临床特征比较
Table 1 Comparison of clinical features
Clinical feature Training set（n=140） Validation set（n=60） Z/χ 2 P
Age［years，M（P25，P75）］ 34.0（28.0，45.0） 36.5（31.0，47.5） -1.576 0.115
Female［n（%）］ 103（73.6）000， 38（63.3）00， 2.117 0.146
Abnormal TSH［n（%）］ 35（25.0）00， 8（13.3）0， 3.387 0.066
Abnormal Tg［n（%）］ 54（38.6）00， 22（36.7）00， 0.065 0.799
Abnormal TgAb［n（%）］ 44（31.4）00， 17（28.3）00， 0.190 0.663
Nodular goiter［n（%）］ 44（31.4）00， 19（31.7）00， 0.001 0.974
Hashimoto’s thyroiditis［n（%）］ 48（34.3）00， 24（40.0）00， 0.595 0.440
BRAF V600E［n（%）］ 110（78.6）000， 38（63.3）00， 5.069 0.024