南京醫(yī)科大學(xué)第一附屬醫(yī)院超聲醫(yī)學(xué)科，江蘇 南京 210029

流行病學(xué)調(diào)查顯示，甲狀腺癌的發(fā)病率逐年增高［1-2］。目前判別甲狀腺結(jié)節(jié)良惡性的首選影像學(xué)手段是超聲檢查。通過常規(guī)超聲觀察結(jié)節(jié)特征，依據(jù)甲狀腺影像報(bào)告與數(shù)據(jù)系統(tǒng)（Thyroid Imaging Reporting and Data System，TIRADS），用分級的方式評價(jià)甲狀腺結(jié)節(jié)惡性風(fēng)險(xiǎn)程度。絕大多數(shù)（82%～91%）的甲狀腺癌是實(shí)性結(jié)節(jié)。隨著結(jié)節(jié)內(nèi)囊性成分的增加，其惡性率也在下降。在以囊性為主的甲狀腺結(jié)節(jié)（囊性成分＞50%）中惡性率只有3%［3］。而以實(shí)性為主的甲狀腺結(jié)節(jié)，尤其是微囊性結(jié)節(jié)，其惡性率仍不可忽視［4］。甲狀腺癌在進(jìn)展過程中如發(fā)生出血、壞死亦可以形成囊腔，結(jié)節(jié)性甲狀腺腫在生長較快時(shí)亦可出現(xiàn)出血、壞死，超聲檢查時(shí)均可表現(xiàn)為囊實(shí)性結(jié)節(jié)［5］。因此在臨床工作中對于囊實(shí)性甲狀腺結(jié)節(jié)的良惡性仍需仔細(xì)甄別。本研究通過提取以實(shí)性為主的甲狀腺結(jié)節(jié)（囊性成分＜50%）超聲特征，利用Spearman相關(guān)性分析及逐步回歸分析方法（Stepwise）對結(jié)節(jié)特征變量進(jìn)行篩選，結(jié)合偏最小二乘-判別分析法（partial least squares-discriminant analysis，PLS-DA）和logistic回歸分析方法構(gòu)建甲狀腺結(jié)節(jié)良惡性風(fēng)險(xiǎn)預(yù)估模型，并對以實(shí)性為主的結(jié)節(jié)良惡性進(jìn)行預(yù)測分析。

1 資料和方法

1.1 對象

收集2018年1月—12月在南京醫(yī)科大學(xué)第一附屬醫(yī)院就診的甲狀腺結(jié)節(jié)患者，選取其中聲像圖資料完整且圖像質(zhì)量較高的患者進(jìn)行回顧性分析，入組患者共97例，其中女性71例，男性26例，年齡16～79歲，平均年齡（41.9±10.5）歲，共97個(gè)結(jié)節(jié)納入統(tǒng)計(jì)，病理學(xué)檢查結(jié)果中良性40個(gè)，惡性57個(gè)。40個(gè)良性結(jié)節(jié)均經(jīng)細(xì)胞學(xué)檢查證實(shí)為良性濾泡結(jié)節(jié)，同時(shí)有BRAF基因V600E突變檢測為野生型。57個(gè)惡性結(jié)節(jié)中，16個(gè)結(jié)節(jié)經(jīng)細(xì)胞學(xué)檢查證實(shí)為可疑乳頭狀癌，同時(shí)BRAF基因V600E突變檢測為突變型；41個(gè)結(jié)節(jié)經(jīng)手術(shù)后病理學(xué)檢查為1個(gè)濾泡癌和40個(gè)甲狀腺乳頭狀癌。

納入標(biāo)準(zhǔn)：患者有甲狀腺結(jié)節(jié)，且結(jié)節(jié)以內(nèi)部結(jié)構(gòu)實(shí)性為主；超聲圖像清晰，患者病史信息完善；經(jīng)手術(shù)后病理學(xué)檢查或細(xì)胞學(xué)檢查證實(shí)為乳頭狀癌及良性濾泡結(jié)節(jié)。排除標(biāo)準(zhǔn)：既往行消融、硬化治療等介入治療術(shù)；2名醫(yī)師對結(jié)節(jié)相關(guān)超聲圖像特征存在爭議；細(xì)針抽吸活組織檢查（fine needle aspiration biopsy，F(xiàn)NAB）結(jié)果為無法診斷或不滿意、非典型病變/意義不明的濾泡性病變、濾泡性腫瘤或可疑濾泡性腫瘤、可疑惡性腫瘤。

1.2 儀器與方法

使用荷蘭Philips公司的EPIQ5超聲診斷儀、德國Simens公司的Acuson S3000超聲診斷儀，線陣探頭頻率為7～12 MHz。調(diào)節(jié)超聲診斷儀（模式、深度、焦點(diǎn)、增益等），使圖像顯像至最佳效果；囑患者放松，保持仰臥位，頸部輕度后仰，充分暴露頸部。將探頭置于頸前正中，甲狀腺軟骨的下方，行橫向及縱向多切面掃查，每側(cè)葉掃查至甲狀腺包膜消失，觀察結(jié)節(jié)特征并評估頸部淋巴結(jié)情況；

依據(jù)韓國甲狀腺放射學(xué)會（Korean Society of Thyroid Radiology，KSThR）甲狀腺結(jié)節(jié)TIRADS分級［6］，在選取性別、年齡、甲狀腺整體回聲、結(jié)節(jié)形態(tài)、結(jié)節(jié)邊緣、內(nèi)部回聲、強(qiáng)回聲、縱橫比、血流模式的基礎(chǔ)上，對結(jié)節(jié)內(nèi)囊性成分是否擴(kuò)散、囊性成分是否偏心位、實(shí)性部分回聲是否均勻等結(jié)節(jié)超聲特征進(jìn)行分析。在評估過程中為了達(dá)到評判的規(guī)范性，對以上征象進(jìn)行分類［7］。在不知病理學(xué)檢查結(jié)果和患者臨床資料前提下，由2名高年資超聲醫(yī)師分別分析每個(gè)結(jié)節(jié)的同一典型圖像，依據(jù)TI-RADS分級各自描述記錄每個(gè)結(jié)節(jié)的描述詞和分類，描述不一致者予以刪除。

變量賦值：因變量（Y）為結(jié)節(jié)的病理學(xué)診斷結(jié)果（良性=0、惡性=1），此外，將患者性別、年齡、甲狀腺整體回聲、形態(tài)、邊緣、囊性成分分布、囊性成分位置、結(jié)節(jié)內(nèi)實(shí)性部分回聲、實(shí)性部分回聲是否均勻、強(qiáng)回聲、縱橫比、血管模式、病灶數(shù)目等11個(gè)超聲特征作為待篩選的自變量（X），具體賦值情況詳見表1［7，12］。

表1 甲狀腺超聲特征變量賦值

1.3 統(tǒng)計(jì)學(xué)處理

本研究首先利用Spearman相關(guān)性分析對實(shí)性為主甲狀腺結(jié)節(jié)特征變量進(jìn)行分析，并利用逐步回歸分析方法（Stepwise）對特征變量進(jìn)行篩選，然后基于PLS-DA和logistic回歸分析方法建立結(jié)節(jié)良惡性判別模型，并進(jìn)行預(yù)測分析。在數(shù)據(jù)分析過程中，采用蒙特卡羅模擬方法隨機(jī)將97個(gè)結(jié)節(jié)樣本分為訓(xùn)練集和預(yù)測集，其80%結(jié)節(jié)樣本為訓(xùn)練集，20%結(jié)節(jié)樣本為預(yù)測集。因此，訓(xùn)練集包括46個(gè)癌癥結(jié)節(jié)樣本、33個(gè)非癌癥結(jié)節(jié)樣本，預(yù)測集中包括11個(gè)癌癥結(jié)節(jié)樣本、7個(gè)非癌癥結(jié)節(jié)樣本?；陬A(yù)測集樣本分析結(jié)果繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計(jì)算ROC曲線的曲線下面積（area under curve，AUC）。為了驗(yàn)證方法的準(zhǔn)確性及穩(wěn)定性，利用蒙特卡羅模擬隨機(jī)運(yùn)行1 000次，并采用t檢驗(yàn)對兩個(gè)方法的AUC值進(jìn)行比較。PLS-DA及l(fā)ogistic回歸分析方法程序基于MATLAB軟件編寫，t檢驗(yàn)基于SPSS軟件分析。

2 結(jié) 果

2.1 相關(guān)性分析及變量篩選

超聲是評價(jià)甲狀腺結(jié)節(jié)良惡性的重要影像學(xué)手段，其中以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性判別研究為其難點(diǎn)之一。圖1為2個(gè)囊實(shí)性結(jié)節(jié)，1個(gè)為單發(fā)結(jié)節(jié)（圖1A～C），該結(jié)節(jié)實(shí)性部分呈極低回聲，周邊內(nèi)可見點(diǎn)狀強(qiáng)回聲，囊性成分分布偏心、局限，結(jié)節(jié)周邊可見點(diǎn)條狀血流信號，結(jié)節(jié)內(nèi)實(shí)性部分血流信號不豐富；術(shù)后病理學(xué)檢查證實(shí)該結(jié)節(jié)為甲狀腺乳頭狀癌，癌組織累犯背膜；BRAF基因第15號外顯子突變。另1個(gè)結(jié)節(jié)為多發(fā)結(jié)節(jié)（圖1D、E），該結(jié)節(jié)內(nèi)部結(jié)構(gòu)以實(shí)性為主，結(jié)節(jié)實(shí)性成分為低回聲，內(nèi)可見粗大強(qiáng)回聲，囊性成分散在分布，結(jié)節(jié)周邊及實(shí)性部分血流稍豐富；細(xì)胞學(xué)病理診斷結(jié)果顯示為良性濾泡結(jié)節(jié)，伴較多吞噬細(xì)胞；BRAF基因V600E突變檢測為野生型。這2個(gè)結(jié)節(jié)如不加以仔細(xì)甄別，經(jīng)驗(yàn)不豐富的青年醫(yī)師很容易誤診。

圖1 以實(shí)性為主的甲狀腺結(jié)節(jié)超聲聲像圖

本研究首先對97例以實(shí)性為主的甲狀腺結(jié)節(jié)的良惡性指標(biāo)進(jìn)行Spearman相關(guān)性分析。結(jié)果表明：與以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性顯著相關(guān)且相關(guān)系數(shù)絕對值大于0.5的變量包括囊性是否偏心（r=0.519，P＜0.01）、強(qiáng)回聲（r=0.695，P＜0.01）、邊緣（r=0.618，P＜0.01）、形態(tài)（r=0.551，P＜0.01）以及囊性成分分布（r=0.630，P＜0.01）；而性別（r=-0.223，P＜0.05）、年齡（r=-0.177，P＜0.05）、實(shí)性部分回聲是否均勻（r=0.337，P＜0.05）、血流（r=0.230，P＜0.05）、病灶數(shù)目（r=0.210，P＜0.05）、縱橫比（r=0.340，P＜0.05）也存在顯著相關(guān)性，但相關(guān)系數(shù)r的絕對值小于0.5，其臨床意義較小；整體回聲與以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性指標(biāo)則沒有顯著相關(guān)性。因此，基于Spearman相關(guān)性分析篩選變量包括囊性是否偏心、強(qiáng)回聲、邊緣、形態(tài)以及囊性成分分布。此外，我們利用Stepwise方法進(jìn)行變量篩選，發(fā)現(xiàn)變量年齡［擬合系數(shù)（Coeff）=-0.0044，P＜0.05］、強(qiáng)回聲（Coeff=0.1009，P＜0.0 1）、邊緣（Coeff=0.1267，P＜0.0 1）、縱橫比（Coeff=0.1221，P＜0.01）、甲狀腺整體回聲（Coeff=-0.1572，P＜0.01）和囊性成分分布（Coeff=0.3489，P＜0.01）與以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性顯著相關(guān)。而Spearman相關(guān)性分析及Stepwise方法篩選的變量差異較大，為了保證建立的診斷模型準(zhǔn)確性和穩(wěn)定性，選擇兩種方法篩選變量的并集用于后續(xù)數(shù)學(xué)模型的構(gòu)建。因此，最終篩選出的8個(gè)變量指標(biāo)，包括年齡［X（2）］、甲狀腺整體回聲［X（3）］、形態(tài)［X（4）］、邊緣［X（5）］、囊性成分分布［X（6）］、囊性成分位置［X（7）］、強(qiáng)回聲［X（10）］以及縱橫比［X（11）］。

2.2 PLS-DA方法建模分析

PLS-DA作為一種統(tǒng)計(jì)學(xué)方法，基于最小化誤差平方和，找到一組數(shù)據(jù)最佳匹配函數(shù)建立線性診斷模型。在PLS-DA分析前，先將臨床數(shù)據(jù)構(gòu)成矩陣，其中行變量為不同結(jié)節(jié)，列變量為甲狀腺特征變量。在一次計(jì)算中，P L S-D A基于訓(xùn)練集構(gòu)建模型如下（因子數(shù)N=2）：Y=-0.3 5 8×X（2）-0.8 6 4×X（3）+0.7 3 6×X（4）+1.220×X（5）+1.765×X（6）-0.174×X（7）+1.436×X（10）+0.857×X（11）+0.595。此時(shí)，PLS-DA分析結(jié)果如圖2所示，其中藍(lán)色為訓(xùn)練集，紅色為預(yù)測集，Y＜0.5的甲狀腺結(jié)節(jié)判定為良性，Y＞0.5的甲狀腺結(jié)節(jié)判定為惡性。97個(gè)結(jié)節(jié)中，96個(gè)結(jié)節(jié)均判定正確，只有預(yù)測集樣本中第94個(gè)惡性結(jié)節(jié)的Y＜0.5，被錯(cuò)誤判定為良性結(jié)節(jié)，而其病理學(xué)檢查結(jié)果為乳頭狀癌。基于預(yù)測集樣本分析結(jié)果繪制ROC曲線（圖3），計(jì)算AUC值為0.955，結(jié)果比較滿意。

為了驗(yàn)證方法的準(zhǔn)確性及穩(wěn)定性，利用蒙特卡羅模擬隨機(jī)運(yùn)行1 000次，PLS-DA結(jié)果如表2所示，訓(xùn)練集的真陽性、真陰性準(zhǔn)確度平均值分別是97.2%和99.8%，而2.8%的癌癥結(jié)節(jié)和0.2%的非癌癥結(jié)節(jié)被錯(cuò)誤判定，即存在假陽性和假陰性。預(yù)測集中PLS-DA的真陽性和真陰性預(yù)測率平均值分別是92.9%和96.6%，此時(shí)，AUC均值為0.947，95% CI為0.932～0.963。

圖2 PLS-DA模型訓(xùn)練集及預(yù)測集的散點(diǎn)圖

圖3 基于PLS-DA和logistic回歸分析的ROC曲線

表2 蒙特卡羅模擬運(yùn)行1 000次PLS-DA分析結(jié)果

2.3 logistic回歸分析方法建模分析

logistic回歸分析是一種廣義的線性回歸分析模型，是醫(yī)學(xué)中最常用的疾病診斷模型。在一次計(jì)算中，logistic建立模型如下：logistic（Y）=-9.372×X（2）+1.107×X（3）+1.220×X（4）+0.6 8 9×X（5）-2.2 9 9×X（6）-0.0 2 9×X（7）+3.9 7 2×X（11）-1.798×X（10）+5.251。此時(shí)，logistic回歸分析結(jié)果如圖4所示，其中Y=0的甲狀腺結(jié)節(jié)被判定為良性，Y=1的甲狀腺結(jié)節(jié)病理結(jié)果被判定為惡性。97個(gè)結(jié)節(jié)中，95個(gè)結(jié)節(jié)判定正確，2個(gè)結(jié)節(jié)判定錯(cuò)誤。這2個(gè)結(jié)節(jié)均是預(yù)測集樣本：其中第20個(gè)樣本為良性結(jié)節(jié)，而其Y值為1，被誤判為惡性結(jié)節(jié)；第94個(gè)樣本為惡性結(jié)節(jié)，其Y值為0，被誤判為良性結(jié)節(jié)?；陬A(yù)測集樣本分析結(jié)果繪制ROC曲線（圖3），計(jì)算AUC值為0.883。

圖4 logistic回歸模型訓(xùn)練集及預(yù)測集的散點(diǎn)圖

為了驗(yàn)證方法的準(zhǔn)確性及穩(wěn)定性，同樣利用蒙特卡羅模擬隨機(jī)運(yùn)行1 000次，logistic回歸分析結(jié)果如表3所示，訓(xùn)練集的真陽性、真陰性準(zhǔn)確度平均值分別是95.9%和96.6%，而4.1%的癌癥結(jié)節(jié)和3.4%的非癌癥結(jié)節(jié)被錯(cuò)誤判定。預(yù)測集中l(wèi)ogistic回歸分析的真陽性、真陰性預(yù)測率平均值分別是92.0%和88.8%，而8.0%的癌癥結(jié)節(jié)和11.2%非癌癥結(jié)節(jié)被錯(cuò)誤判定，此時(shí)，AUC均值為0.904，95% CI為0.883～0.924。通過t檢驗(yàn)比較logistic回歸分析和PLS-DA的AUC值，結(jié)果表明，PLS-DA的AUC值顯著大于logistic回歸分析的結(jié)果（P＜0.01）。

表3 蒙特卡羅模擬運(yùn)行1 000次logistic回歸分析結(jié)果

3 討 論

大多數(shù)囊實(shí)性甲狀腺結(jié)節(jié)是良性結(jié)節(jié)，然而隨著對甲狀腺研究的深入，人們發(fā)現(xiàn)一部分甲狀腺癌也可伴發(fā)囊性改變［4，8-9］。據(jù)文獻(xiàn)［10］報(bào)道，在甲狀腺惡性腫瘤中，實(shí)性結(jié)節(jié)及微囊性結(jié)節(jié)占88%，實(shí)性為主甲狀腺結(jié)節(jié)約占9%，囊實(shí)性甲狀腺結(jié)節(jié)容易被臨床低估。因此，以實(shí)性為主的惡性結(jié)節(jié)除了我們常說的惡性結(jié)節(jié)基本特征如患者年齡、甲狀腺整體回聲、有無強(qiáng)回聲、邊緣、形態(tài)、縱橫比，結(jié)節(jié)內(nèi)囊性是否偏心、囊性成分分布是否局限等特征也應(yīng)引起超聲醫(yī)師的注意。我們希望構(gòu)建一個(gè)較為穩(wěn)健的診斷模型，在難以判斷結(jié)節(jié)性質(zhì)時(shí)，可借助于這兩種模型進(jìn)行綜合判斷［11-12］。

研究結(jié)果表明，Spearman相關(guān)性分析及逐步回歸分析均顯示腫瘤與發(fā)病年齡呈負(fù)相關(guān)，即惡性腫瘤發(fā)病年齡較良性小，這可能與青少年甲狀腺乳頭狀癌發(fā)病率升高有關(guān)。據(jù)最新的流行病學(xué)調(diào)查，兒童與青少年分化型甲狀腺癌發(fā)病率顯著增高也許不能完全歸咎于檢查手段敏感性提高與過度治療［13］，而肥胖、激素、環(huán)境等因素也是可能的誘因［14-15］。Stepwise逐步回歸分析顯示甲狀腺整體回聲（Coeff=-0.157 2，P＜0.01）與以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性顯著相關(guān)，與既往文獻(xiàn)［16-17］報(bào)道相符。聲像圖上的結(jié)節(jié)內(nèi)強(qiáng)回聲并非均為微鈣化，除常說的砂粒體外，還有可能是纖維條索、鈣鹽沉積，或是膠體結(jié)晶、纖維化、囊內(nèi)出血［18-20］。臨床工作中除了選用高頻探頭觀察點(diǎn)狀強(qiáng)回聲的形態(tài)，觀察點(diǎn)狀強(qiáng)回聲的位置也可以作為輔助判斷方法，如位于囊性成分內(nèi)，更偏向于膠質(zhì)凝聚而成；如位于實(shí)性成分內(nèi)，則偏向于微鈣化。當(dāng)結(jié)節(jié)囊性成分呈偏心性，局限性分布、形態(tài)不規(guī)則、邊緣不清晰、縱橫比＞1都提示結(jié)節(jié)存在惡性風(fēng)險(xiǎn)。結(jié)節(jié)內(nèi)血供情況在本研究中差異無統(tǒng)計(jì)學(xué)意義，因此我們還是需要在二維圖像的基礎(chǔ)上，綜合多種因素進(jìn)行分析判斷。

本研究分析結(jié)節(jié)超聲特征，利用Spearman相關(guān)性分析及 Stepwise分別篩選相關(guān)變量，并使用篩選變量的并集用于后續(xù)診斷模型的建立。分別使用logistic回歸分析及PLS-DA用于構(gòu)建以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性判別診斷模型，并用于預(yù)測分析。PLS-DA真陽性預(yù)測值（訓(xùn)練集97.2%、預(yù)測集99.8%）、真陰性預(yù)測值（訓(xùn)練集92.9%、預(yù)測集96.6%）及l(fā)ogistic回歸分析真陽性預(yù)測值（訓(xùn)練集95.9%、預(yù)測集96.6%）、真陰性預(yù)測集（訓(xùn)練集92.0%、預(yù)測集88.8%）均可接受，說明二者都可以用于以實(shí)性為主的甲狀腺結(jié)節(jié)良惡性判別診斷，但PLS-DA的AUC值（0.947）顯著高于logistic回歸分析（0.904）（P＜0.01），說明PLS-DA建立模型的預(yù)測能力在一定程度上優(yōu)于logistic回歸分析。

本研究的局限性在于，納入本研究的患者數(shù)（n=97）相對較少。另外，良性結(jié)節(jié)的診斷是基于細(xì)胞學(xué)及BRAF基因V600E突變檢測，而不是術(shù)后病理學(xué)檢查。因?yàn)橐话懔夹越Y(jié)節(jié)在FNAB獲得細(xì)胞學(xué)檢查結(jié)果后并不能確認(rèn)系手術(shù)適應(yīng)證。今后，將進(jìn)一步行大樣本多中心研究，驗(yàn)證并提高模型的準(zhǔn)確性。