论文部分内容阅读
第一部分甲状腺乳头状癌大量淋巴结转移危险因素分析目的:准确判断甲状腺乳头状癌（Papillary Thyroid Carcinoma,PTC）是否具有高复发风险和不良预后,对其治疗和管理具有重要意义,同时可以有效避免过度治疗。而淋巴结转移（Lymph Node Metastasis,LNM）尤其是大量淋巴结转移（Large-volume Lymph Node Metastasis,Lv-LNM）是PTC复发的重要因素,目前临床准确评估PTC患者的淋巴结状态仍面临巨大挑战。本研究旨在分析探讨预测PTC患者特别是临床淋巴结阴性（clinically N-negative,c N0）患者发生LNM和Lv-LNM的独立危险因素,并以此指导临床制定合适的治疗策略。方法:回顾性分析2018年1月至2022年11月于南昌大学第一附属医院行首次甲状腺手术并经病理证实为PTC的患者共527例。所有患者均行甲状腺切除术和颈部淋巴结清扫,并获得病理结果。术前2周内患者均接受甲状腺及颈部淋巴结超声检查,收集患者甲状腺肿瘤的超声特征并给予ACR TI-RADS评分,收集患者的临床信息和病理特征,包括年龄、性别、阳性淋巴结数量、是否合并桥本甲状腺炎等。采用单因素和多因素分析确定预测Lv-LNM的独立危险因素。结果:1.男性（OR=2.53,95%CI=1.36-4.72,P=0.004）、年龄＜40岁（OR=2.52,95%CI=1.43-4.44,P=0.001）、结节直径＞1.0cm（OR=3.16,95%CI=1.74-5.73,P＜0.001）、术前发现异常LN（OR=8.10,95%CI=4.37-15.00,P＜0.001）、ACR TI-RADS评分＞8.5分（OR=4.71,95%CI=2.00-11.07,P＜0.001）是PTC患者预测Lv-LNM的独立危险因素。2.男性（OR=2.35,95%CI=1.14-4.8,P=0.021）、年龄＜40岁（OR=2.76,95%CI=1.37-5.56,P=0.005）、结节直径＞1.0cm（OR=2.22,95%CI1.11-4.37,P=0.023）是c N0 PTC患者预测Lv-LNM的独立危险因素。结论:根据预测大量淋巴结转移的独立危险因素,可对PTC患者进行分层,从而更好地定制初始治疗建议。对于术前影像学发现转移淋巴结的PTC患者,均建议采取积极地治疗方式,如手术治疗并行颈部淋巴结清扫。对于男性、年龄＜40岁且肿瘤直径＞1.0cm的患者,无论术前是否发现转移淋巴结,建议手术治疗更有利。而对于年龄≥40岁且肿瘤较小的女性PTC患者,如果术前临床淋巴结阴性的,那么主动监测可能更为合理。第二部分超声影像组学结合临床危险因素预测c N0甲状腺乳头状癌大量淋巴结转移目的:大量淋巴结转移（Lv-LNM）是PTC复发的重要危险因素,并可能影响生存率,但目前临床常用术前诊断PTC淋巴结转移的方法均存在诸多不足之处。有证据表明,PTC肿瘤的一些二维超声特征与淋巴结转移具有相关性,而影像组学是一种具有巨大潜力的数据和图像分析方法,已逐步应用于医学各领域的研究中。已有运用影像组学构建PTC淋巴结转移预测模型的研究,然而各研究缺乏统一标准,且预测效能仍不令人满意。本研究拟利用人工神经网络（Artificial Neural Network,ANN）和影像组学构建模型,预测PTC临床淋巴结阴性（c N0）患者Lv-LNM,并在临床病例中验证模型,评估模型效能和临床应用价值。方法:本研究共纳入306例2020年1月至2021年4月期间,在南昌大学第一附属医院行首次甲状腺全切+颈部淋巴结清扫术的PTC患者,所有患者均经病理证实且术前均接受超声检查并存储超声图像。将所有患者按6:4的比例随机分为训练队列（183例）和验证队列（123例）,收集其临床病理特征与超声信息,采用单因素和多因素logistic回归方法评估其独立风险因子,并基于此建立临床模型。在影像组学分析中,对每个患者甲状腺结节的术前超声图像,人工勾画病灶感兴趣区域（Region Of Interests,ROI）,提取原始图像和小波转换图像的形状、强度和纹理影像组学特征。通过降维和筛选出最佳组学特征后,使用ANN在训练组中构建预测Lv-LNM的组学模型并与采用传统机器学习算法构建的模型相比较。此外,与临床独立风险因子结合另建立了一个联合模型。于验证组评估两个模型校准、鉴别和临床价值,并与单纯临床模型比较。同时,评估两个模型在微小乳头状癌（Papillary Thyroid Microcarcinoma,PTMC）亚组和常规乳头状癌（Conventional Papillary Thyroid Cancer,CPTC）亚组的预测效能。结果:1.采用ANN算法构建的超声影像组学模型,临床价值优于采用传统机器学习算法构建的模型。2.组学模型和联合模型均具有良好的拟合度和校准能力。于验证组,组学模型预测准确率达到67%,AUC达到0.851（P＜0.05）,显著高于临床模型AUC为0.702（P＜0.05）。联合模型预测效能表现更佳,准确度为79%,AUC为0.881（P＜0.05）。通过校准曲线和决策曲线分析,组学模型和联合模型均具有良好的校准效果和临床实用性。此外,两个模型在PTMC和CPTC亚组仍有优秀且稳定的预测效能。结论:我们基于ANN构建了组学模型、组学特征结合临床风险因子的联合模型,这两种模型均可术前预测PTC c N0患者Lv-LNM,并具有良好的预测效能和临床价值,其中联合模型表现更为优秀。ANN与影像组学,可作为帮助临床医生预测PTC大量淋巴结转移的有力工具。