弗吉尼亚州利斯堡，2019年8月30日 - 根据12月出版的美国放射学杂志(AJR)上发表的一篇优秀文章，研究人员已经验证了首个基于机器学习的模型评估疑似甲状腺结节患者的免疫组化(IHC)特征，根据CT图像个体化非侵入性预测细胞角蛋白19，半乳糖凝集素3和甲状腺过氧化物酶的存在，取得“优异性能”。

“当IHC信息被隐藏在CT图像上时，”首席研究员Jiabing Gu解释说，“通过使用纹理分析，可以辨别出这些信息与放射性组织之间的关系。”

 

为了评估纹理分析是否可用于预测疑似甲状腺结节的IHC特征，来自中国济南大学的顾和同事招募了103名患者(训练队列与验证队列比例，?3：1)与疑似甲状腺结节的患者2013年1月至2016年1月进行甲状腺切除术和IHC分析。所有103例患者 - 男性28例，女性75例;中位年龄，58岁;范围33-70岁 - 在手术前接受CT，3D Slicer v 4.8.1用于分析手术标本的图像。

 

为了便于重新测试方法，20名患者在10-15分钟内使用相同的扫描仪(LightSpeed 16，Philips Healthcare)和方案在两组CT系列中成像，无需对比剂给药。这些图像仅用于选择可再现和非冗余的特征，而不是用于建立或验证放射学模型。

 

Kruskal-Wallis测试(SPSS v 19，IBM)用于改善纹理特征和IHC特征之间的分类性能。顾等人。考虑到p <0.05显着的特征，并且通过支持向量机方法训练基于特征的模型，评估准确性，灵敏度，特异性，相应的AUC和独立验证。从828个总功能中，选择了86个可重现和非冗余的功能来构建模型。

 

细胞角蛋白19放射学模型的最佳性能在训练组中产生84.4%的准确度，在验证组中产生80.0%的准确性。同时，甲状腺过氧化物酶和半乳糖凝集素3预测模型在训练组中的准确率分别为81.4%和82.5%，在验证队列中分别为84.2%和85.0%。

 

注意到细胞角蛋白19和半乳糖凝集素3水平在乳头状癌中很高，Gu坚持认为这些模型可以帮助放射科医师和肿瘤学家识别甲状腺乳头状癌，“这有助于早期诊断乳头状甲状腺癌并及时选择治疗方案。”