鄭 蕊 李秀芹 代笑梅

甲狀腺癌中甲狀腺乳頭狀癌臨床常見[1-2]。目前關(guān)于甲狀腺乳頭狀癌發(fā)生發(fā)展機(jī)制尚處于研究中，與遺傳、情志不暢和內(nèi)分泌紊亂等因素有關(guān)[3]。最近幾年甲狀腺癌發(fā)生率增加已引起世界醫(yī)護(hù)人員重視。既往研究結(jié)果表明[4-5]，對甲狀腺乳頭狀癌早期治療能治愈90% 以上的患者，既能延長患者生存時間，又能提升其生活質(zhì)量。在甲狀腺乳頭狀癌診斷中超聲起到重要的作用。同時定期超聲檢查是防治甲狀腺癌主要途徑[6]。隨著我國超聲設(shè)備和檢查水平的提升，多模態(tài)超聲在反映甲狀腺腫瘤形狀、臨近關(guān)系上更有優(yōu)越性，尤為適合我國年輕女性及育齡期女性。決策樹是在諸多規(guī)則下對目標(biāo)數(shù)據(jù)進(jìn)行分類建模的過程。流程圖主要是使用if-then規(guī)則生成。在流程圖中結(jié)構(gòu)的頂端是根節(jié)點(diǎn)，而各個內(nèi)部節(jié)點(diǎn)都是一個屬性上測試，不同分枝是測試輸出結(jié)果，各個路徑都可以對應(yīng)著一條取舍原則。整個決策樹對應(yīng)著一組析取表達(dá)式規(guī)則，現(xiàn)已用于疾病診斷中。本文選擇醫(yī)院2020年1月到2020年12月收治的甲狀腺乳頭狀癌患者作為研究對象，使用多模態(tài)超聲建構(gòu)甲狀腺乳頭狀癌決策樹模型，并對其應(yīng)用價值進(jìn)行分析，現(xiàn)報(bào)告如下。

1 資料與方法

1.1 一般資料

選擇醫(yī)院2020年1月到2020年12月收治的甲狀腺乳頭狀癌患者106例，年齡48～78歲，平均年齡(59.28±3.08)歲；病程最短6個月，最長4年，平均(2.98±0.21)年；均為女性，均已生育、已婚。

1.2 病例納入與排除

納入標(biāo)準(zhǔn)：①多模態(tài)超聲檢查的患者；②病理診斷確診為甲狀腺乳頭狀癌患者；③經(jīng)醫(yī)院倫理學(xué)會批準(zhǔn)。排除標(biāo)準(zhǔn)：①其他類型的甲狀腺癌；②近1年內(nèi)接受放療、化療及其他抗腫瘤治療的患者；③合并其他惡性腫瘤的患者；④復(fù)發(fā)患者；⑤紅斑狼瘡患者；⑥合并嚴(yán)重性基礎(chǔ)疾病患者。

1.3 方法

1.3.1 篩選建立數(shù)學(xué)模型的確定指標(biāo) 多模態(tài)超聲的甲狀腺乳頭狀癌指標(biāo)有位置、形態(tài)、大小、邊界、內(nèi)部回聲、血流分布、淋巴結(jié)轉(zhuǎn)移、分級、分期、累及位置共11項(xiàng)指標(biāo)。

1.3.2 數(shù)學(xué)模式的建立 在計(jì)算機(jī)上使用SPSS Clementine 12.0軟件將106例患者的超聲指標(biāo)建模進(jìn)行分析，包括Logistic回歸分析和決策樹模型。在數(shù)據(jù)基礎(chǔ)上，使用已經(jīng)篩選的超聲指標(biāo)作為建立數(shù)學(xué)模型的輸入指標(biāo)，病理診斷結(jié)果作為輸出，成為建模的金標(biāo)準(zhǔn)。采用SPSS 20.00隨機(jī)抽取106例患者樣本的50%作為訓(xùn)練集，另50%作為預(yù)測集驗(yàn)證模型優(yōu)劣。建模過程分為訓(xùn)練集和測試集2個分支流。訓(xùn)練集先將隨機(jī)抽樣得到的70%的數(shù)據(jù)料分別建立Logistic回歸與決策樹2個數(shù)學(xué)模型。再使用MedCalc V12.40軟件繪制ROC曲線并比較不同模型的ROC曲線下面積(AUC)，應(yīng)用篩檢實(shí)驗(yàn)評價指標(biāo)和ROC 曲線比較2種模型Logistic回歸與決策樹對預(yù)測集樣本的預(yù)測效果。檢驗(yàn)水準(zhǔn)α=0.05。

2 結(jié)果

2.1 Logistic回歸與決策樹訓(xùn)練集結(jié)果分析

決策樹在訓(xùn)練集結(jié)果中正確率為90.57%(48/53)，明顯高于Logistic回歸的正確率56.60%(30/53)，P<0.05。

2.2 Logistic回歸與決策樹測試集結(jié)果分析

決策樹在測試集結(jié)果中正確率為83.02%(44/53)，明顯高于Logistic回歸的54.72%(29/53)(χ2=9.900，P<0.05)。

2.3 Logistic回歸與決策樹靈敏度、特異度和準(zhǔn)確度分析

決策樹靈敏度、特異度和準(zhǔn)確度均高于Logistic回歸(P<0.05)，見表1。

表1 Logistic回歸與決策樹靈敏度、特異度和準(zhǔn)確度分析/%

2.4 Logistic回歸與決策樹ROC曲線和曲線下面積分析

各模型的ROC曲線下面積結(jié)果如下圖所示，Logistic回歸的AUC面積為0.554(95%CI： 0.392～0.717)；決策樹的AUC面積為0.810(95%CI：0.676～0.943)。ROC曲線下的面積值在1.0和0.5之間，在AUC>0.5的情況下，AUC越接近于1，說明診斷效果越好。AUC的面積又反映了各個指標(biāo)預(yù)測結(jié)果的準(zhǔn)確性，即決策樹診斷的檢驗(yàn)準(zhǔn)確性最高。見圖1。

圖1 Logistic回歸與決策樹ROC曲線

3 討論

既往研究結(jié)果發(fā)現(xiàn)[7]，最近20年來女性甲狀腺癌死亡率降低接近20%，其中早期發(fā)現(xiàn)和早期診斷是主要原因。大量研究結(jié)果在證實(shí)[8-11]，早期患者預(yù)后較晚期甲狀腺乳頭狀癌患者好，生存時間明顯延長，復(fù)發(fā)率顯著降低。目前甲狀腺乳頭狀癌早期發(fā)現(xiàn)主要依賴于患者自身積極主動體檢，但是我國女性體檢意識不強(qiáng)，導(dǎo)致甲狀腺乳頭狀癌檢出主要依賴超聲診斷及其他輔助診斷措施。隨著現(xiàn)代信息計(jì)數(shù)的發(fā)展，甲狀腺乳頭狀癌診斷越來越依靠現(xiàn)代信息技術(shù)和影像學(xué)技術(shù)[12-14]。多模態(tài)超聲涵蓋多種超聲診斷技術(shù)，包括常規(guī)超聲、超聲彈力成像和超聲造影等。常規(guī)超聲選擇清晰的二切面，多角度癌腫瘤內(nèi)部結(jié)構(gòu)、回聲、形態(tài)和邊界[15-16]。超聲彈力成像同樣選擇清晰的二維切面，但與常規(guī)不同的是選擇縱切面，將機(jī)器調(diào)整為彈性成像模式后，調(diào)整合適的取樣框，使得腫瘤組織整個在取樣框內(nèi)，加壓。超聲造影則是在患前臂淺靜脈建立靜脈通路，選擇清晰的切面固定不動，注射造影劑后觀察病灶造影劑灌注情況和回聲強(qiáng)度。計(jì)算機(jī)輔助超聲診斷疾病的研究較多。有學(xué)者做了大量研究工作后證實(shí)，數(shù)據(jù)模型挖掘計(jì)數(shù)有利于提升疾病的準(zhǔn)確率，便于臨床制定個性化治療方案[17-18]。目前常用的數(shù)據(jù)挖掘方法有經(jīng)網(wǎng)絡(luò)、二元邏輯回歸和支持向量機(jī)及貝葉斯方法。以上這些方法被用于診斷和鑒別卵巢癌、肺癌等。馮云霞等[19]研究發(fā)現(xiàn)，使用決策樹模型可以用于指導(dǎo)重癥監(jiān)護(hù)室醫(yī)生對患者插管后最佳拔管時間的判斷，可以有效減少再次插管損傷。決策樹模型和回歸模型診斷效能較好，且各有自己的特點(diǎn)。通常情況下，在存在多個變量時，回歸模型均有決策樹模型[20]。而決策樹模型具有以下優(yōu)點(diǎn)：①決策樹產(chǎn)生的分類原則較其他模型更容易理解。②更擅長處理非數(shù)值型的離散數(shù)據(jù)，在較多缺失值不完整的數(shù)據(jù)資料情況下能處理數(shù)值型數(shù)據(jù)。③決策樹模型與其他模型對數(shù)據(jù)的要求較高相比，大大降低了對數(shù)據(jù)的處理工作。

本次研究結(jié)果顯示，決策樹在訓(xùn)練集、測試集結(jié)果中正確率較回歸模型高，且決策樹ROC曲線下面積大。靈敏度、特異度和準(zhǔn)確度是常用于診斷的評估指標(biāo)。臨床通常選擇一組病理和另一組對照，用于診斷試驗(yàn)，并對其指標(biāo)進(jìn)行比較，以得出診斷效能。ROC曲線又被成為測試者工作曲線，其曲線下面積反映了本次決策樹實(shí)驗(yàn)識別算法的正確性及錯誤目標(biāo)能力情況。何月明等認(rèn)為[21]，臨床上可以使用ROC曲線用于兩種或以上診斷系統(tǒng)性能，以判斷診斷價值，選擇更優(yōu)方法。經(jīng)研究發(fā)現(xiàn)ROC曲線評價方法用于多模態(tài)超聲指導(dǎo)決策樹模型建立的應(yīng)用結(jié)果具有更加直觀和簡單性。以往在臨床中使用超聲檢查甲狀腺癌就受到認(rèn)可，分析原因超聲有較高的準(zhǔn)確性和分辨率。放射科醫(yī)生借助放射學(xué)方法，將癌癥患者的腫瘤形態(tài)、邊界和浸潤等問題的研究從形態(tài)學(xué)發(fā)展到形態(tài)與影響功能成像相結(jié)合的階段。目前發(fā)現(xiàn)多模態(tài)超聲雖能用于診斷甲狀腺乳頭狀癌，但因其癌癥復(fù)雜性和其他不確定因素，使得臨床出片結(jié)果較慢，患者需要7～15 d甚至更長時間的等待，從而影響了治療。決策樹模型與傳統(tǒng)處理甲狀腺乳頭狀癌方法相比是一種新型的數(shù)據(jù)處理方法，對甲狀腺乳頭狀癌原始數(shù)據(jù)類型和分布狀態(tài)的要求較低，既能同時處理甲狀腺乳頭狀癌分類變量，又能處理甲狀腺乳頭狀癌連續(xù)變量，結(jié)果簡單、直觀，且模型的分類結(jié)果靈敏度、特異度較高，更易于理解、應(yīng)用，從而便于臨床征候診斷時的實(shí)際操作?；诙嗄B(tài)超聲結(jié)果采用決策樹模型有利于輔助醫(yī)生診斷甲狀腺乳頭狀癌，對腫瘤形態(tài)、邊界等進(jìn)行定性。本研究對腫瘤位置、形態(tài)、大小、邊界、內(nèi)部回聲、血流分布、淋巴結(jié)轉(zhuǎn)移、分級、分期、累及位置資料進(jìn)行回歸模型和決策樹模型分析，顯示基于此的決策樹模型敏感度、特異度和診斷效能更佳。

綜上所述，基于多模態(tài)超聲建構(gòu)甲狀腺乳頭狀癌決策樹模型能提升診斷效能，且其敏感性、特異性和準(zhǔn)確性較高，建議使用。