背景近年来随着影像设备和技术(超声、Computed tomography、Magnetic resonance imaging等)飞速发展,甲状腺结节检出率大幅增加,其中约5%为恶性。甲状腺癌病理类型常见分为四型:甲状腺乳头状癌(Papillary thyroid carcinoma,PTC)、髓样癌、滤泡细胞癌及未分化癌,大部分为乳头状甲状腺癌(PTC),WHO定义甲状腺微小乳头状癌:直径≤1.0 cm的甲状腺癌。甲状腺微小乳头状癌(Papillary microcarcinoma of thyroid,PTMC)一般生长较缓慢,分化相对良好,预后相对较好。然而少数甲状腺微小乳头状癌仍具有一定的侵袭性及淋巴结转移的风险,预后相对较差。如何鉴别甲状腺微小结节,尤其对甲状腺微小癌的早期诊断和治疗,改善患者的预后具有重要的临床价值。目的探讨基于CT影像组学在甲状腺微小结节良、恶性鉴别诊断中的价值。方法回顾性分析经过病理学证实的甲状腺微小结节203例,其中148例甲状腺微小乳头状癌(PTMC)和55例微小结节性甲状腺肿(Micro nodular goiter,MNG),使用影像组学(AK、ITK-SNAP)智能分析软件将选定甲状腺微小结节的CT平扫及双期增强DICOM图像进行处理、勾画感兴趣区(ROI)及提取纹理特征参数402个,其中包括直方图参数,形态学特征参数,灰度共生矩阵参数(Grey Level Co-occurrence Matrix GLCM),游程矩阵参数(Run Length Matrix,RLM),灰度区域大小矩阵(Grey Level Size Zoom Matrix,GLSZM),Haralick六类参数。通过2次特征降维分别获得20、22、19个特征参数,运用以下六种模型进行评估:随机森林(Forest)模型、支持向量机(Support vector machine,SVM)模型、K-邻近算法(K-nearest neighbor algorithm,KNN)模型、决策树(Tree)模型、贝叶斯(Bayes)模型及逻辑回归(Logistic)模型,分为训练组和测试组:训练组为随机选择其中70%病例,测试组为剩余30%病例,分别获得六种模型对于甲状腺良恶性微小结节鉴别诊断的准确性、特异性、灵敏度及ROC曲线下面积(AUC)。结果平扫和两期增强扫描Forest模型诊断效能均最佳,平扫训练组诊断准确性、特异性、敏感度及ROC曲线下面积(AUC):99.3%、97.9%、100%、0.999,测试组:87.9%、81%、91.1%、0.883。动脉期增强训练组诊断准确性、特异性、敏感度及ROC曲线下面积(AUC):97.2%、94.4%、100%、0.998,测试组:77.4%、69.2%、83.3%、0.842,延迟期增强训练组诊断准确性、特异性、敏感度及ROC曲线下面积(AUC):100%、100%、100%、1.000,测试组:82.8%、93.3%、71.4%、0.905。结论CT影像组学是相对可靠定量鉴别甲状腺微小结节良恶性的方法之一,可以作为辅助手段鉴别甲状腺微小结节良恶性;随机森林(Forest)模型对甲状腺微小乳头状癌(PTMC)和微小结节性甲状腺肿(MNG)的鉴别诊断有一定的价值;CT平扫及延迟期增强影像组学对甲状腺微小结节良恶性鉴别分别具有较高的敏感性及特异性。