本研究比较了五种机器学习算法在使用超分辨率超声特征进行甲状腺结节分类中的性能。支持向量机（SVM）表现最佳（准确率为68.6%，曲线下面积为0.690），识别出微钙化和增强后扩大是关键贡献因素，但研究结果在用于临床实践前需经过外部验证。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
研究文章
210 次观看
⸱
2026年9月11日
* These authors contributed equally
本研究比较了五种机器学习算法在使用超分辨率超声特征进行甲状腺结节分类中的性能。支持向量机（SVM）表现最佳（准确率为68.6%，曲线下面积为0.690），识别出微钙化和增强后扩大是关键贡献因素，但研究结果在用于临床实践前需经过外部验证。
本研究比较了五种机器学习算法——随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）、决策树（Decision Tree, DT）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）和梯度提升（Gradient Boosting, GB）——利用常规超声、超声造影（contrast-enhanced ultrasound, CEUS）和超分辨率超声（super-resolution ultrasound, SRUS）提取的定量特征对甲状腺结节进行分类。该回顾性研究纳入了来自63名患者（30个良性结节和38个经证实为乳头状甲状腺癌[PTC]的结节）的68个甲状腺结节，通过五折患者分组交叉验证分析了25个定量特征，确保同一患者的全部结节均被分配至同一折中。模型性能在各折间进行汇总，并基于合并的折外（out-of-fold, OOF）预测结果进行评估；针对表现最优的SVM模型，采用基于排列的解释器进行了聚焦的折外SHAP（SHapley Additive exPlanations）分析。SVM取得了最高的平均准确率（0.686 ± 0.120）和平均受试者工作特征曲线下面积（Receiver Operating Characteristic-Area Under Curve, ROC-AUC）（0.690 ± 0.164），合并折外预测的敏感性为0.842，特异性为0.500，其中微钙化和造影后增大被识别为对模型贡献最重要的SHAP特征。RF表现出较为均衡的性能（准确率55.9%，敏感性55.3%，特异性56.7%），而DT表现较差（准确率0.429，ROC-AUC 0.447），接近随机猜测水平。研究表明，定量SRUS测量值可被整合进传统分类模型中；然而，该结果仍属探索性质，需在更大样本队列中开展前瞻性、多中心研究以进一步验证，方可考虑临床应用。
甲状腺结节是一种极为常见的临床发现，在无症状人群中通过超声检查的检出率可高达68%1。近期的荟萃分析显示，全球甲状腺结节的患病率已从2000–2011年间的21.53%上升至2012–2022年间的29.29%，影响约每四位普通人群个体中的一位2,3。在这些结节中，最终有7–15%被诊断为甲状腺癌，其中乳头状甲状腺癌（PTC）是最主要的亚型4,5。PTC占所有甲状腺恶性肿瘤的80–90%，已成为增长最快的癌症类型之一，其发病率从1975年的每10万人4.8例上升至2012年的每10万人14.9例6。
常规超声检查仍是甲状腺结节评估的基石，提供了一种无创、经济且广泛可及的诊断方法7。提示恶性的传统超声特征包括明显低回声、边界不规则、微钙化以及纵横比大于1的形态8,9。然而，其根本受限于声学衍射极限，空间分辨率被限制在约100微米左右10。这一....
访问受限。请登录或开始试用以查看此内容。
研究设计与患者人群
本项回顾性研究分析了2024年6月13日至2025年1月13日期间获取的甲状腺超声检查结果。研究方案经首都医科大学附属北京友谊医院伦理委员会批准（批准号：BFHHZS20240300），并遵循《赫尔辛基宣言》中所述的伦理原则进行；由于本研究为回顾性设计，故免除了知情同意要求。数据集包含来自63例患者的68个甲状腺结节（其中良性30个，恶性38个），以结节为分析单位。参考诊断依据超声引导下细针穿刺细胞学（FNAC）结果确定。恶性组包括38个经FNAC报告为甲状腺乳头状癌的结节。
纳入标准
纳入研究的患者需同时满足以下所有标准：（1）接受过常规灰阶和彩色多普勒超声检查，并随后进行对比增强超声（CEUS）检查，且图像质量满意，可进行后续的微血管血流成像分析；（2）经细针穿刺活检证实细胞病理学诊断为乳头状甲状腺癌（PTC），无论是否同时进行BRAFV600E突变检测且结果阳性；或细胞学结果为Bethesda III类（意义不明的非典型病变），但同时BRAFV600E突变检测结果为阳性；（3）细胞病理学诊断为良性增生性结节、腺瘤样结节或Bethesda II类良性滤泡性结节，且未同时检出BRAFV600E突变阳性。
排除标准
访问受限。请登录或开始试用以查看此内容。
患者特征与研究人群
共纳入63例患者的68个甲状腺结节，包括30个良性结节和38个甲状腺乳头状癌（PTC）。以结节作为分析单位，通过患者分组确保同一患者的结节不会同时出现在训练集和验证集中。基线特征总结于表2中。
图1展示了根据超声引导下细针穿刺细胞学（FNAC）结果，分别来自一个代表性良性结节和一个被报告为乳头状甲状腺癌（PTC）结节的病灶局限性SRUS/URM重建图像，技术上均取得成功。两个示例均显示了病灶轮廓、重建的微血管图谱以及设备生成的定量叠加图像。这些示例表明在两种参考类别中均成功实现了数据采集与重建，但其本身尚不足以确立诊断区分能力或模型性能。
使用68个结节数据集的五折患者分组交叉验证评估了五种分类器。性能指标以各折均值±标准差以及汇总的留一折出（OOF）值形式报告于表3中。
访问受限。请登录或开始试用以查看此内容。
目前对甲状腺结节的诊断方法主要依赖于传统超声检查，而该方法具有明显的操作者依赖性，且存在观察者间差异5，以及无法显示衍射极限以下微血管结构的局限性。据我们所知，本研究是首次在科研环境下，对应用于超分辨率超声（SRUS）微血管成像数据的多种机器学习算法进行全面评估，实现了对甲状腺结节乳头状癌（PTC）风险的客观定量评估。
本研究的主要贡献在于建立了一个基于患者水平的分析框架，该框架整合了基于定位的对比微泡超分辨率超声（SRUS）测量结果、B型超声、彩色多普勒超声、定性与定量对比增强超声（CEUS）以及临床变量，用于对甲状腺结节进行分类。其创新之处在于将实验测得的微血管信息纳入预设的25变量多模态特征集，并采用抗数据泄露的患者分组策略进行评估，而非依赖于新的分类器架构。来自同一患者的全部结节均保留在同一折叠组中；支持向量机（SVM）的缩放器仅基于各训练折叠组进行拟合；模型评估采用了五折患者分组交叉验证、汇总的留一外（OOF）预测结果以及聚焦的OOF SHAP分析。在此框架下，SVM取得了最高的平均准确率（0.686 ± 0.120）和平均.......
访问受限。请登录或开始试用以查看此内容。
作者声明无任何利益冲突。
作者感谢首都医科大学附属北京友谊医院超声科工作人员在患者数据收集过程中提供的帮助。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 决策树分类器 | scikit-learn | Version 1.5.2 | 机器学习分类器 |
| 细针穿刺活检针 | 用于超声引导下细针穿刺抽吸活检（FNAC） | ||
| 梯度提升分类器 | scikit-learn | Version 1.5.2 | 机器学习分类器 |
| 静脉导管 | 用于对比剂给药 | ||
| Python | Python Software Foundation | Version 3.11.9 | 用于机器学习分析的编程语言 |
| 随机森林分类器 | scikit-learn | Version 1.5.2 | 机器学习分类器 |
| SHAP（排列解释器） | SHAP Developers | Version 0.46.0 | 模型可解释性分析 |
| SonoVue 对比剂 | Bracco | 用于CEUS/SRUS成像的超声对比剂 | |
| StandardScaler | scikit-learn | Version 1.5.2 | SVM流程中的特征标准化 |
| 无菌生理盐水 | 对比剂注射后用于静脉冲洗 | ||
| StratifiedGroupKFold | scikit-learn | Version 1.5.2 | 按患者分组的交叉验证 |
| 支持向量机（SVM）分类器 | scikit-learn | Version 1.5.2 | 径向基函数核分类器 |
| U5-15LE 线阵换能器 | VINNO Technology | U5-15LE | 线性超声探头 |
| ULTIMUS 9E 超声系统 | VINNO Technology | ULTIMUS 9E | 用于B模式、彩色多普勒、CEUS和SRUS成像的超声成像系统 |
| XGBoost | XGBoost Developers | Version 2.1.1 | 梯度提升框架 |
访问受限。请登录或开始试用以查看此内容。