何海軍 楊斌

［摘要］ 隨著影像檢查技術(shù)及儀器、設(shè)備性能的不斷提高，甲狀腺結(jié)節(jié)檢出日益增多，但傳統(tǒng)影像診斷方法缺乏特異度，診斷準(zhǔn)確率較低。機(jī)器學(xué)習(xí)可從大規(guī)模的醫(yī)學(xué)圖像中挖掘出大量高維定量影像特征，為結(jié)節(jié)的診斷、治療及預(yù)后提供更多有價(jià)值的信息。就深度學(xué)習(xí)和影像組學(xué)在甲狀腺癌的鑒別診斷，淋巴結(jié)轉(zhuǎn)移、免疫組化指標(biāo)、侵襲性及預(yù)后評估等方面的應(yīng)用展開綜述。

［關(guān)鍵詞］ 甲狀腺癌；深度學(xué)習(xí)；影像組學(xué)；診斷，鑒別；侵襲性；預(yù)后

甲狀腺結(jié)節(jié)發(fā)病率約5%，是目前臨床上發(fā)病率較高的疾?。?］，且呈逐年上升趨勢。約10%的甲狀腺結(jié)節(jié)為甲狀腺癌［2-3］，約92%的甲狀腺癌為甲狀腺乳頭狀癌［4］，多預(yù)后較好，生存期長，5年生存率約99%［5］。部分甲狀腺癌具有侵襲性，可導(dǎo)致腫瘤局部復(fù)發(fā)、遠(yuǎn)處轉(zhuǎn)移甚至死亡［6-7］。已有研究表明：甲狀腺髓樣癌、未分化癌的預(yù)后顯著低于甲狀腺癌，髓樣癌的5年生存率僅89.6%，而未分化癌的1年生存率僅20%［8-9］。超聲和細(xì)針穿刺活檢是甲狀腺結(jié)節(jié)的常用檢查方法，但超聲的敏感度不高，且與操作者的經(jīng)驗(yàn)密切相關(guān)；而細(xì)針穿刺為侵入性操作，且成本較高。深度學(xué)習(xí)和影像組學(xué)技術(shù)可從大規(guī)模的醫(yī)學(xué)圖像中挖掘出大量高維定量影像特征，為結(jié)節(jié)的診斷、治療及預(yù)后評估提供更多有價(jià)值的信息，也是目前的研究熱點(diǎn)。筆者就影像組學(xué)在甲狀腺癌診療中的應(yīng)用研究綜述如下。

1? 深度學(xué)習(xí)和影像組學(xué)的概念

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中較先進(jìn)的一種方法，其以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，采用對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法，自動(dòng)識(shí)別醫(yī)學(xué)圖像中的復(fù)雜模式，提供定量的影像學(xué)特征評估［10］。深度學(xué)習(xí)已在醫(yī)學(xué)圖像識(shí)別、分類、分割、配準(zhǔn)和重建等方面展示出了巨大潛力［11］。深度學(xué)習(xí)模型種類眾多，以卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛。

影像組學(xué)的概念于2012年由Lambin等［12］提出，影像組學(xué)分析技術(shù)是從醫(yī)學(xué)圖像中提取高通量的定量特征，反映醫(yī)學(xué)圖像與腫瘤異質(zhì)性之間的關(guān)系，從而指導(dǎo)腫瘤的檢測、診斷、治療反應(yīng)和預(yù)后評估等。傳統(tǒng)的影像組學(xué)方法需手動(dòng)提取特征，耗時(shí)、費(fèi)力，流程也較復(fù)雜，限制了其在臨床研究中的推廣應(yīng)用。為了克服傳統(tǒng)影像組學(xué)方法的缺點(diǎn)，有研究者將深度學(xué)習(xí)應(yīng)用于影像組學(xué)中，可避免繁雜的特征提取過程，還能自動(dòng)學(xué)習(xí)層次更豐富的影像學(xué)特征及更高級的語義特征，該方法被稱為深度學(xué)習(xí)影像組學(xué)（deep learning radiomics，DLR）［13］。

2? 深度學(xué)習(xí)和影像組學(xué)在甲狀腺癌中的應(yīng)用

2.1? 鑒別甲狀腺結(jié)節(jié)良惡性

Yoon等［14］利用超聲組學(xué)特征聯(lián)合獨(dú)立臨床危險(xiǎn)因素預(yù)測細(xì)胞學(xué)不確定甲狀腺結(jié)節(jié)（即Bethesda分類3和4）的良惡性，其AUC為0.839。石艷萍等［15］回顧性收集208例甲狀腺結(jié)節(jié)患者的超聲圖像，發(fā)現(xiàn)由20個(gè)組學(xué)特征構(gòu)建的影像組學(xué)評分可有效診斷甲狀腺影像報(bào)告與數(shù)據(jù)系統(tǒng)（thyroid imaging reporting and data system，TI-RADS）4～5類的甲狀腺結(jié)節(jié)，AUC為0.85。Guo等［16］研究發(fā)現(xiàn)，基于超聲和超聲造影聯(lián)合的影像組學(xué)特征在區(qū)分甲狀腺結(jié)節(jié)良惡性中具有較高的分類效能，AUC為0.861。Luo等［17］基于超聲的影像組學(xué)特征聯(lián)合甲狀腺成像、TI-RADS構(gòu)建預(yù)測模型對甲狀腺結(jié)節(jié)的良惡性進(jìn)行鑒別，其AUC達(dá)0.913。

Sun等［18］建立基于深度學(xué)習(xí)的計(jì)算機(jī)輔助診斷系統(tǒng)（computer-aided diagnosis，CAD）對超聲圖像中的甲狀腺結(jié)節(jié)進(jìn)行鑒別診斷，CAD的準(zhǔn)確率、敏感度和特異度分別為92.5%、96.4%和83.1%。Zhou等［19］建立基于超聲的甲狀腺DLR模型預(yù)測1 750個(gè)甲狀腺結(jié)節(jié)的良惡性，該模型采用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)和遷移學(xué)習(xí)策略，其可在1幅圖像中獲取3個(gè)不同的ROI作為輸入層。DLR模型在訓(xùn)練集、內(nèi)部和外部驗(yàn)證集中的AUC分別為0.96、0.95和0.97。

孔丹等［20］基于179例患者的CT平掃、動(dòng)脈期和靜脈期圖像進(jìn)行組學(xué)分析建模，其效能在驗(yàn)證集中的AUC為0.92。Li等［21］基于CT增強(qiáng)掃描動(dòng)脈期圖像提取關(guān)鍵影像組學(xué)特征，采用多變量logistic回歸分析、隨機(jī)森林、支持向量機(jī)和決策樹分別建立預(yù)測模型區(qū)分結(jié)節(jié)性甲狀腺腫與甲狀腺乳頭狀癌，多變量logistic回歸分類器獲得了最高的預(yù)測效能，其AUC為0.877。Zhao等［22］基于CT圖像分別使用5種卷積神經(jīng)網(wǎng)絡(luò)模型鑒別甲狀腺結(jié)節(jié)，并對性能最好的3個(gè)模型建立了集成模型，本研究中5個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型和集成模型性能良好，集成模型效能最高，AUC為0.901～0.947。

以上研究表明，基于超聲和CT組學(xué)特征等機(jī)器學(xué)習(xí)方法構(gòu)建的預(yù)測模型預(yù)測甲狀腺結(jié)節(jié)的良惡性效果較好，AUC最高達(dá)0.947。在此基礎(chǔ)上結(jié)合更多的相關(guān)參數(shù)，如采用臨床風(fēng)險(xiǎn)分層系統(tǒng)、臨床實(shí)驗(yàn)室指標(biāo)和免疫組化等，會(huì)更準(zhǔn)確地預(yù)測甲狀腺結(jié)節(jié)的性質(zhì)，其準(zhǔn)確率有望接近病理結(jié)果，對甲狀腺結(jié)節(jié)的良惡性分類在臨床決策和管理中具有重要意義。

2.2? 預(yù)測甲狀腺乳頭狀癌淋巴結(jié)轉(zhuǎn)移

甲狀腺乳頭狀癌雖是一種惰性腫瘤，但部分癌細(xì)胞易轉(zhuǎn)移至周圍的頸部淋巴結(jié)，主要包括中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移（central lymph node metastasis，CLNM）和雙側(cè)淋巴結(jié)轉(zhuǎn)移（bilateral lymph node metastasis，BLNM）。淋巴結(jié)轉(zhuǎn)移是患者手術(shù)范圍和方式的重要參考指標(biāo)，也是腫瘤復(fù)發(fā)最重要的危險(xiǎn)因素［22］。Park等［23］于368例原發(fā)甲狀腺腫瘤中提取熵、峰度、紋理等特征，并計(jì)算影像組學(xué)評分預(yù)測淋巴結(jié)轉(zhuǎn)移風(fēng)險(xiǎn)，其AUC為0.710。王偉鎮(zhèn)［24］基于腫瘤的超聲橫切面、縱切面及雙切面的紋理特征，建立組學(xué)模型預(yù)測甲狀腺乳頭狀癌的CLNM，AUC分別為0.661、0.681和0.777，發(fā)現(xiàn)結(jié)合雙切面紋理特征的影像組學(xué)模型預(yù)測CLNM準(zhǔn)確率較單切面高，其診斷準(zhǔn)確率遠(yuǎn)高于常規(guī)超聲檢查。Zhou等［25］的研究也證實(shí)了基于原發(fā)腫瘤的超聲影像組學(xué)特征有助于術(shù)前預(yù)測甲狀腺乳頭狀癌的CLNM，聯(lián)合超聲報(bào)告的淋巴結(jié)狀態(tài)和獨(dú)立的臨床危險(xiǎn)因素，預(yù)測效能進(jìn)一步提高。此外，結(jié)合超聲影像組學(xué)標(biāo)簽、超聲報(bào)告的淋巴結(jié)狀態(tài)、年齡、甲狀腺球蛋白和甲狀腺過氧化酶抗體水平所構(gòu)建的列線圖術(shù)前預(yù)測CLNM的AUC為0.858。與Zhou等［25］研究相比，Tong等［26］加入了CT報(bào)告的淋巴結(jié)狀態(tài)，并聯(lián)合超聲影像組學(xué)特征、超聲報(bào)告的淋巴結(jié)狀態(tài)組成的列線圖預(yù)測BLNM，獲得了較高的預(yù)測效能，訓(xùn)練集和驗(yàn)證集的AUC分別達(dá)0.946和0.914。超聲彈性成像則可通過測量不同組織硬度差異來鑒別病變的性質(zhì)。Liu等［27］分別采用基于超聲、應(yīng)變超聲彈性成像和兩者聯(lián)合的組學(xué)特征構(gòu)建支持向量機(jī)模型，結(jié)果顯示預(yù)測淋巴結(jié)轉(zhuǎn)移的AUC從基于超聲圖像的0.81提高至基于多模態(tài)圖像的0.90。Yu等［28］對來自多中心的甲狀腺乳頭狀癌患者超聲數(shù)據(jù)集建立遷移學(xué)習(xí)影像組學(xué)淋巴結(jié)轉(zhuǎn)移預(yù)測模型，其AUC為0.90，且模型在不同機(jī)型、不同操作者間的穩(wěn)定性也得到了驗(yàn)證。上述研究表明，采用多模態(tài)超聲成像技術(shù)或聯(lián)合更多的臨床因素構(gòu)建預(yù)測模型，將極大提高模型的性能。

Li等［29］回顧性分析了678例甲狀腺乳頭狀癌患者的CT圖像，基于腫瘤的平掃、動(dòng)脈期和靜脈期圖像，對腫瘤VOI進(jìn)行分割，提取到一階統(tǒng)計(jì)量、形狀特征和紋理特征，結(jié)合臨床危險(xiǎn)因素和CT報(bào)告的淋巴結(jié)狀態(tài)，采用K-近鄰、線性支持向量機(jī)、決策樹等6種算法建立預(yù)測模型，AUC為0.669～0.747，其中線性支持向量機(jī)預(yù)測效能最高。Lu等［30］在腫瘤的CT增強(qiáng)掃描動(dòng)脈期和靜脈期圖像上提取組學(xué)特征，采用支持向量機(jī)構(gòu)建預(yù)測模型，AUC為0.759；聯(lián)合臨床危險(xiǎn)因素及CT報(bào)告的淋巴結(jié)狀態(tài)使用多變量logistic回歸構(gòu)建列線圖預(yù)測甲狀腺乳頭狀癌頸部淋巴結(jié)轉(zhuǎn)移，AUC為0.867。此外，有研究表明瘤周組織在預(yù)測甲狀腺腫瘤頸部淋巴結(jié)轉(zhuǎn)移中具有重要作用，Lai等［31］從CT增強(qiáng)掃描圖像中提取腫瘤和瘤周間質(zhì)的影像組學(xué)特征，并計(jì)算影像組學(xué)評分，聯(lián)合臨床獨(dú)立的危險(xiǎn)因素、CT圖像特征構(gòu)建列線圖術(shù)前預(yù)測早期甲狀腺乳頭狀癌的淋巴結(jié)轉(zhuǎn)移，其AUC為0.956；與常規(guī)CT相比，雙能量CT可提供額外的碘圖，通過量化碘的分布反映腫瘤血供和血管分布的異質(zhì)性，為淋巴結(jié)轉(zhuǎn)移的預(yù)測提供更多有價(jià)值的信息。Zhou等［32］從可疑淋巴結(jié)的動(dòng)脈期和靜脈期碘圖中提取形狀、一階和小波等特征，聯(lián)合CT圖像特征（結(jié)外擴(kuò)展和大?。┎捎胠ogistic回歸構(gòu)建預(yù)測模型，AUC為0.933。在后續(xù)的研究中，Zhou等［33］則從腫瘤原發(fā)灶的動(dòng)脈和靜脈期碘圖上提取影像組學(xué)特征，分別構(gòu)建了2個(gè)影像組學(xué)模型并計(jì)算影像組學(xué)評分，即BLNM影像組學(xué)評分和CLNM影像組學(xué)評分，結(jié)合臨床預(yù)測因子后，分別構(gòu)建影像組學(xué)列線圖，其AUC分別為0.847和0.837；2個(gè)模型中50%以上的影像組學(xué)特征與碘濃度的分布差異相關(guān)，表明具有更多血管異質(zhì)性的腫瘤更易發(fā)生淋巴結(jié)轉(zhuǎn)移?？梢?，影像組學(xué)聯(lián)合臨床危險(xiǎn)因素，并采用多種機(jī)器學(xué)習(xí)方法進(jìn)行模型構(gòu)建將明顯提高預(yù)測效能；基于甲狀腺腫瘤原發(fā)灶的特征可為腫瘤淋巴結(jié)轉(zhuǎn)移提供有價(jià)值的信息，但基于可疑淋巴結(jié)特征的預(yù)測價(jià)值更大。

2.3? 預(yù)測甲狀腺癌的免疫組化指標(biāo)

有研究表明，免疫組化分析對甲狀腺結(jié)節(jié)性質(zhì)的診斷是有效的。Arcolia等［34］研究發(fā)現(xiàn)，半乳糖凝集素3是診斷甲狀腺惡性腫瘤的敏感標(biāo)志物。細(xì)胞角蛋白19和半乳糖凝集素3的陽性免疫表達(dá)提高了對甲狀腺乳頭狀癌的診斷準(zhǔn)確率［33］，均被用來輔助診斷甲狀腺結(jié)節(jié)的良惡性。Gu等［35］基于103例患者的CT圖像提取一階、紋理特征，分別使用5種類型支持向量機(jī)構(gòu)建模型，用來預(yù)測甲狀腺結(jié)節(jié)的4種免疫組化指標(biāo)（包括細(xì)胞角蛋白19、甲狀腺過氧化物酶、半乳糖凝集素3和高分子量細(xì)胞角蛋白）。不同算法對同一指標(biāo)預(yù)測效能差異較大，前3項(xiàng)指標(biāo)取得的最高預(yù)測效能分別為84.4%、81.4%、82.5%，而高分子量細(xì)胞角蛋白的預(yù)測效能不佳，準(zhǔn)確率僅65.7%。

2.4? 預(yù)測甲狀腺癌的侵襲性

甲狀腺乳頭狀癌的治療效果較好，但部分甲狀腺乳頭狀癌具有侵襲性，治療后可出現(xiàn)局部復(fù)發(fā)、遠(yuǎn)處轉(zhuǎn)移甚至死亡［36-37］，而這種惰性癌發(fā)生預(yù)后不良與腫瘤BRAFV600E突變密切相關(guān)，BRAFV600E突變已被報(bào)道其與甲狀腺乳頭狀癌的侵襲性密切相關(guān)［38］。Kwon等［39］回顧性收集96例甲狀腺乳頭狀癌患者的術(shù)前超聲圖像，從縱切面和橫切面提取到86個(gè)影像組學(xué)特征，分別采用logistic回歸、支持向量機(jī)和隨機(jī)森林構(gòu)建甲狀腺癌BRAFV600E突變預(yù)測模型，3個(gè)模型的AUC平均為0.651，預(yù)測效能并不理想。Yoon等［40］發(fā)現(xiàn)在BRAFV600E突變陽性的結(jié)節(jié)中，平均腫瘤直徑較小，因此，其研究不僅對所有患者的甲狀腺結(jié)節(jié)（直徑10～85 mm）術(shù)前超聲圖像進(jìn)行了組學(xué)分析，還對最大徑<20 mm的甲狀腺乳頭狀癌進(jìn)行了亞組分析，結(jié)果顯示全組患者和甲狀腺乳頭狀癌最大徑<20 mm亞組的C指數(shù)分別為0.718、0.729。但在目前的研究中，還不能準(zhǔn)確預(yù)測甲狀腺乳頭狀癌（無論腫瘤大?。〣RAFV600E突變狀態(tài)；也不能將健康對照組和甲狀腺乳頭狀癌患者BRAFV600E狀態(tài)進(jìn)行對比。在甲狀腺乳頭狀癌的基因突變研究中，獲得的預(yù)測效能不佳，可能是由于樣本均來自單一機(jī)構(gòu)，且樣本量較小。

2.5? 預(yù)測甲狀腺癌的無病生存率

甲狀腺乳頭狀癌患者可從風(fēng)險(xiǎn)分層工具中獲益，此方法可幫助不同風(fēng)險(xiǎn)的患者制訂個(gè)性化治療策略。Park等［41］從768例甲狀腺乳頭狀癌患者的常規(guī)超聲圖像中提取了730個(gè)組學(xué)特征，選擇相關(guān)性排名前40的特征建立影像組學(xué)標(biāo)簽，并根據(jù)各自的權(quán)重計(jì)算影像組學(xué)分?jǐn)?shù)，通過單變量和多變量Cox風(fēng)險(xiǎn)比例回歸分析，發(fā)現(xiàn)超聲影像組學(xué)特征、臨床病理因素均與患者的無病生存率獨(dú)立相關(guān)，且發(fā)現(xiàn)聯(lián)合影像組學(xué)特征和臨床病理因素構(gòu)建模型，對無病生存率的預(yù)測效能較單獨(dú)的臨床病理模型更高，其C指數(shù)為0.777；表明基于超聲的影像組學(xué)特征可能是甲狀腺乳頭狀癌患者風(fēng)險(xiǎn)分層的潛在影像生物標(biāo)志物。

3? 挑戰(zhàn)與展望

深度學(xué)習(xí)和影像組學(xué)在甲狀腺癌診療中的應(yīng)用較多，盡管其在臨床診斷、淋巴結(jié)轉(zhuǎn)移和預(yù)后評估等方面已取得了較好的研究成果，但仍存在以下不足：①目前大多數(shù)研究為單中心、小樣本的回顧性研究，需多中心、大樣本的前瞻性研究進(jìn)一步驗(yàn)證。②甲狀腺病灶形態(tài)、大小差異較大，大多數(shù)研究采用手動(dòng)分割病灶，雖效果較好，但自動(dòng)分割穩(wěn)定性更高。③目前納入的惡性腫瘤大多為甲狀腺乳頭狀癌，研究應(yīng)覆蓋更多的類型，如髓樣癌和濾泡狀癌。④因甲狀腺癌邊界不清，不易識(shí)別和分割，目前的研究均排除直徑較小的腫瘤，以后需用更先進(jìn)的掃描技術(shù)和軟件識(shí)別體積較小的腫瘤。

隨著遷移學(xué)習(xí)的應(yīng)用，針對上述訓(xùn)練樣本量偏小的問題，可嘗試使用卷積神經(jīng)網(wǎng)絡(luò)在樣本量較大的自然圖像或醫(yī)學(xué)影像上預(yù)先訓(xùn)練一個(gè)模型，提取相關(guān)特征，之后使用預(yù)先訓(xùn)練的模型在小樣本的數(shù)據(jù)集上進(jìn)行微調(diào)，提取與醫(yī)學(xué)影像相關(guān)的特征，最后進(jìn)行甲狀腺癌任務(wù)的相關(guān)預(yù)測，這種方法可有效提升小樣本數(shù)據(jù)最終的預(yù)測效能。若將深度學(xué)習(xí)和影像組學(xué)有效結(jié)合起來，可克服傳統(tǒng)影像組學(xué)的耗時(shí)、耗力、重復(fù)性差等缺點(diǎn)，進(jìn)一步提高腫瘤相關(guān)預(yù)測的準(zhǔn)確率。

綜上所述，深度學(xué)習(xí)和影像組學(xué)均具有很好的臨床應(yīng)用前景，兩者結(jié)合可輔助臨床診斷及治療決策，從而指導(dǎo)甲狀腺癌患者的精準(zhǔn)個(gè)體化診療。

［參考文獻(xiàn)］

［1］ 李榮斌，李拾林. 2020中國超聲甲狀腺影像報(bào)告和數(shù)據(jù)系統(tǒng)鑒別甲狀腺結(jié)節(jié)良惡性的價(jià)值［J］. 中國中西醫(yī)結(jié)合影像學(xué)雜志，2022，20（2）：154-157.

［2］ ANGELL T E，MAURER R，WANG Z，et al. A cohort analysis of clinical and ultrasound variables predicting cancer risk in 20，001 consecutive thyroid nodules［J］. J Clin Endocrinol Metab，2019，104（11）：5665-5672.

［3］ 田猛，吳秀艷，蔡雪珍，等. 甲狀腺結(jié)節(jié)超聲惡性危險(xiǎn)分層中國指南（C-TIRADS）對甲狀腺乳頭狀癌的診斷價(jià)值［J］.解放軍醫(yī)學(xué)院學(xué)報(bào)，2022，43（8）：823-829.

［4］ 鄭傳銘，王佳峰，呂恬，等. “中國腫瘤整合診治指南（CACA）——甲狀腺癌診治指南”解讀［J］. 腫瘤學(xué)雜志，2022，28（8）：627-630.

［5］ 韓郁壬，李利梅，王睿. 甲狀腺癌臨床病理特點(diǎn)與其預(yù)后影響因素分析［J］. 實(shí)用癌癥雜志，2022，37（6）：1000-1002.

［6］ 王鈺，張祁紅. 小探頭超聲在甲狀腺癌淋巴結(jié)轉(zhuǎn)移中的診斷效果觀察［J］. 中國腫瘤臨床與康復(fù)，2022，29（9）：1059-1062.

［7］ 詹靈，邱偉華. 阿帕替尼治療放射性碘難治性與高度侵襲性甲狀腺癌的研究進(jìn)展［J］. 外科理論與實(shí)踐，2021，26（6）：564-567.

［8］ MOSES L E，OLIVER J R，ROTSIDES J M，et al. Nodal disease burden and outcome of medullary thyroid carcinoma［J］. Head Neck，2021，43（2）：577-584.

［9］ SUN C，LI Q，HU Z，et al. Treatment and prognosis of anaplastic thyroid carcinoma：experience from a single institution in China［J］. PLoS One，2013，8（11）：80011.

［10］ HOSNY A，PARMAR C，QUACKENBUSH J，et al. Artificial intelligence in radiology［J］. Nat Rev Cancer，2018，18（8）：500-510.

［11］ 董春桐，毛寧，謝海柱，等. 影像組學(xué)及深度學(xué)習(xí)在預(yù)測乳腺癌新輔助化療療效中的研究進(jìn)展［J］. 醫(yī)學(xué)影像學(xué)雜志，2023，33（4）：652-656.

［12］ LAMBIN P，RIOS-VELAZQUEZ E，LEIJENAAR R，et al. Radiomics：extracting more information from medical images using advanced feature analysis［J］. Eur J Cancer，2012，48（4）：441-446.

［13］ 金詩晨，孫曉鳴，蔣皆恢，等. 深度學(xué)習(xí)影像組學(xué)新技術(shù)及其在腫瘤診斷中的應(yīng)用［J］. 腫瘤影像學(xué)，2021，30（6）：439-444.

［14］ YOON J，LEE E，KANG S W，et al. Implications of US radiomics signature for predicting malignancy in thyroid nodules with indeterminate cytology［J］. Eur Radiol，2021，31（7）：5059-5067.

［15］ 石艷萍，蔣艷，王嘉俊，等. 基于超聲影像組學(xué)諾模圖預(yù)測甲狀腺TI-RADS 4～5類結(jié)節(jié)良惡性［J］. 中國超聲醫(yī)學(xué)雜志，2021，37（12）：1328-1332.

［16］ GUO S Y，ZHOU P，ZHANG Y，et al. Exploring the value of radiomics features based on B-Mode and contrast-enhanced ultrasound in discriminating the nature of thyroid nodules［J］. Front Oncol，2021，11：738909.

［17］ LUO P，F(xiàn)ANG Z，ZHANG P，et al. Radiomics score combined with ACR TI-RADS in discriminating benign and malignant thyroid nodules based on ultrasound images：a retrospective study［J］. Diagnostics （Basel），2021，11（6）：1011.

［18］ SUN C，ZHANG Y，CHANG Q，et al. Evaluation of a deep learning-based computer-aided diagnosis system for distinguishing benign from malignant thyroid nodules in ultrasound images［J］. Med Phys，2020，47（9）：3952-3960.

［19］ ZHOU H，JIN Y，DAI L，et al. Differential diagnosis of benign and malignant thyroid nodules using deep learning radiomics of thyroid ultrasound images［J］. Eur J Radiol，2020，127：108992.

［20］ 孔丹，張建東，單文莉，等. CT影像組學(xué)模型對甲狀腺良惡性結(jié)節(jié)的鑒別價(jià)值［J］. 中華放射學(xué)雜志，2020，54（3）：187-191.

［21］ LI Z，ZHANG H，CHEN W，et al. Contrast-Enhanced CT-Based radiomics for the differentiation of nodular goiter from papillary thyroid carcinoma in thyroid nodules［J］. Cancer Manag Res，2022，14：1131-1140.

［22］ ZHAO H B，LIU C，YE J，et al. A comparison between deep learning convolutional neural networks and radiologists in the differentiation of benign and malignant thyroid nodules on CT images［J］. Endokrynol Pol，2021，72（3）：217-225.

［23］ PARK V Y，HAN K，KIM H J，et al. Radiomics signature for prediction of lateral lymph node metastasis in conventional papillary thyroid carcinoma［J］. PLoS One，2020，15（1）：0227315.

［24］ 王偉鎮(zhèn). 影像組學(xué)預(yù)測甲狀腺乳頭狀癌中央?yún)^(qū)淋巴結(jié)轉(zhuǎn)移的研究［D］. 廣州：南方醫(yī)科大學(xué)，2020.

［25］ ZHOU S C，LIU T T，ZHOU J，et al. An ultrasound radiomics nomogram for preoperative prediction of central neck lymph node metastasis in papillary thyroid carcinoma［J］. Front Oncol，2020，10：1591.

［26］ TONG Y，LI J，HUANG Y，et al. Ultrasound-Based radiomic nomogram for predicting lateral cervical lymph node metastasis in papillary thyroid carcinoma［J］. Acad Radiol，2021，28（12）：1675-1684.

［27］ LIU T，GE X，YU J，et al. Comparison of the application of B-mode and strain elastography ultrasound in the estimation of lymph node metastasis of papillary thyroid carcinoma based on a radiomics approach［J］. Int J Comput Assist Radiol Surg，2018，13（10）：1617-1627.

［28］ YU J，DENG Y，LIU T，et al. Lymph node metastasis prediction of papillary thyroid carcinoma based on transfer learning radiomics［J］. Nat Commun，2020，11（1）：4807.

［29］ LI J，WU X，MAO N，et al. Computed tomography-based radiomics model to predict central cervical lymph node metastases in papillary thyroid carcinoma：a multicenter study［J］. Front Endocrinol （Lausanne），2021，12：741698.

［30］ LU W，ZHONG L，DONG D，et al. Radiomic analysis for preoperative prediction of cervical lymph node metastasis in patients with papillary thyroid carcinoma［J］. Eur J Radiol，2019，118：231-238.

［31］ LAI L，GUAN Q，LIANG Y，et al. A computed tomography-based radiomic nomogram for predicting lymph node metastasis in patients with early-stage papillary thyroid carcinoma［J］. Acta Radiol，2022，63（9）：1187-1195.

［32］ ZHOU Y，SU G Y，HU H，et al. Radiomics analysis of dual-energy CT-derived iodine maps for diagnosing metastatic cervical lymph nodes in patients with papillary thyroid cancer［J］. Eur Radiol，2020，30（11）：6251-6262.

［33］ ZHOU Y，SU G Y，HU H，et al. Radiomics from primary tumor on dual-energy CT derived iodine maps can predict cervical lymph node metastasis in papillary thyroid cancer［J］. Acad Radiol，2022，29：222-231.

［34］ ARCOLIA V，JOURNE F，RENAUD F，et al. Combination of galectin-3，CK19 and HBME-1 immunostaining improves the diagnosis of thyroid cancer［J］. Oncol Lett，2017，14（4）：4183-4189.

［35］ GU J，ZHU J，QIU Q，et al. Prediction of immunohistochemistry of suspected thyroid nodules by use of machine learning-based radiomics［J］. AJR Am J Roentgenol，2019，213（6）：1348-1357.

［36］ BROWN R L，DE SOUZA J A，COHEN E E. Thyroid cancer：burden of illness and management of disease［J］. J Cancer，2011，2：193-199.

［37］ XING M，LIU R，LIU X，et al. BRAF V600E and TERT promoter mutations cooperatively identify the most aggressive papillary thyroid cancer with highest recurrence［J］. J Clin Oncol，2014，32（25）：2718-2726.

［38］ MIGUEL M，ADRIANA G D R，RUI B，et al. TERT，BRAF，and NRAS in primary thyroid cancer and metastatic disease［J］. J Clin Endocrinol Metab，2017，102（6）：1898-1907.

［39］ KWON M R，SHIN J H，PARK H，et al. Radiomics study of thyroid ultrasound for predicting BRAF mutation in papillary thyroid carcinoma：preliminary results［J］. AJNR Am J Neuroradiol，2020，41（4）：700-705.

［40］ YOON J H，HAN K，LEE E，et al. Radiomics in predicting mutation status for thyroid cancer：a preliminary study using radiomics features for predicting BRAFV600E mutations in papillary thyroid carcinoma［J］. PLoS One，2020，15（2）：0228968.

［41］ PARK V Y，HAN K，LEE E，et al. Association between radiomics signature and disease-free survival in conventional papillary thyroid carcinoma［J］. Sci Rep，2019，9（1）：4501.