第一部分结合超声、临床和病理特征的列线图评估甲状腺乳头状癌Delphian淋巴结转移风险目的:Delphian淋巴结(DLN)在甲状腺乳头状癌(PTC)中的意义仍不明确。本研究探索其临床意义,并根据超声(US)、临床和病理特征开发列线图,用于评估PTC患者是否存在DLN转移(DLNM)。材料与方法:1.回顾性纳入2017年2月至2021年6月期间病理诊断为PTC的患者,所有患者均接受了甲状腺切除术。收集患者临床、病理和US信息,回顾性分析DLNM的相关因素。2.同时从中随机抽取80%的患者作为训练队列,其余20%的患者为验证队列。通过单因素和多因素logistics分析以明确与DLNM相关的危险因素。3.分别根据临床+病理、临床+US、临床+病理+US特征的组合建立预测DLNM的临床预测列线图并进行验证。结果:1.485名探查到DLN的PTC患者中,98名(20.2%)存在DLNM。在DLNM阳性组中,中央区淋巴结转移(CLNM)率,颈侧区淋巴结转移(LLNM)阳性率高于阴性组,T3b-T4b甲状腺肿瘤发生DLNM的概率大于非T3b-T4b甲状腺肿瘤。DLNM阳性组CLNM和LLNM淋巴结数量高于与DLNM阴性组。2.对训练队列进行多因素分析显示,三个预测模型的共同独立危险因素包括:男性、双侧、位于峡部,保护因素包括:PTC位于下极,年龄≥45岁和合并结节性甲状腺肿(NG)。另外,各分组的独立危险因素为:(I)基于临床+病理特征的独立危险因素为病理诊断甲状腺外侵犯(ETE)、CLNM;(II)基于临床+US特征的独立危险因素为US诊断ETE、US诊断CLNM;(III)基于临床+病理+US特征的独立危险因素为US诊断ETE、CLhereditary melanomaNM。3.在验证队列中,“临床+病理+US列线图”的AUC优于“临床+病理列线图”[0.88(95%CI:0.79,0.97)vs.0.79(95%CI:0.67,0.91),P=0.040],而“临床+病理+US列线图”与“临床+US列线图”之间没有显著差异[0.88(95%CI:0.79,0.97)vs.0.87(95%CI:0.79,0.94),P=0.724]。结论:这项研究发现DLNM可能是PTC更具有侵袭性和广泛淋巴结转移的一个征兆。同时本研究研究了PTC转移到DLN的临床、病理和US特征。并分别根据特征不同的组合方式建立了三个预测列线图,可以供不同情况使用,以评估DLN的转移风险。第二部分基于结节周围超声影像组学的列线图术前预测甲状腺乳头状癌颈淋巴结状态目的本研究旨在开发和验证一个基于甲状腺结节周围区域超声(US)影像组学特征的模型,以预测甲状腺乳头状癌(PTC)患者的颈部淋巴结(LN)状态。材料与方法1.本研究回顾性纳入2019年1月至2selleckchem Panobinostat021年3月的两个医院的402名PTC患者(开发队列、内部验证队列和外部验证队列分别包括247名、107名和48名患者)。2.定量提取结节内部和结节周围区域的US图像影像组学特征。在开发队列中,通过影像组学特征筛选和机器学习分类器训练,得到结节内、结节周围和总体影像组学特征分数(rad-score)。3.使用结节周围rad-score和临床独立危险因素构建影像组学列线图,并于内部和外部验证队列测试其预测表现,包括鉴别、校准和临床实用性评估能力。结果1.在内部和外部验证队列中,结节周围rad-score诊断LN转移的AUC分别为0.80(95%CI:0.71,0.88)和0.83(95%CI:0.72,0.95),与总体rad-score的AUCs[0.82(95%CI:0.74,0.89)和0.79(95%CI:0.66,0.92)]相似,显著高于结节内rad-score的AUCs[0.73(95%CI:0.63,0.82)和0.69(95%CI:0.53,0.84)]。2.基于结节周围rad-score的列线图具有良好的鉴别能力[内部和外部验证队列中AUC分别为0.87(95%CI:0.80,0.94)和0.85(95%CI:0.74,0.96)]和校准能力,在决策曲线分析中也具有优秀的表现。3.列线图对颈侧区LN转移、US诊断LN阴性患者的LN转移和大量中央区LN转移表现出出色的预测能力[AUC分别为0.78(95%CI:0.71,0.85)、0.80(95%CI:0.75,0.86)和0.80(95%CI:0.74,0.85)]。提示该列线图具有良好的临床价值。结论结节周围区域提取的影像组学特征对颈部LN转移具有很高的预测能力。影像组学列线图可以作为一个有价值的个体化预测PTC患者术前LN状态的工具。第三部分基于超声图像的深度学习辅助诊断甲状腺癌广泛腺外侵犯的多中心回顾性研究目的:甲状腺癌广泛甲状腺外侵犯(gross ETE)的存在会影响患者的预后,但是影像学检查不能提供准确的诊断。本研究旨在开发深度学习(DL)模型,用PF-03084014于术前在超声图像中自动定位和评估甲状腺癌结节是否存在gross ETE。材料与方法:1.回顾性分析来自4个医学中心的806个甲状腺癌结节的灰阶超声图像(4451张图像),包括517个非gross ETE结节和289个gross ETE结节。2.在内部数据集中随机抽取283个no gross ETE结节和158个gross ETE结节构成训练队列和验证队列(2914张图像),构建多任务DL model用来诊断gross ETE。并另外构建临床模型以及临床和DL model结合模型。3.在内部测试队列[974张图像(139个非gross ETE结节和83个gross ETE结节)]和外部测试队列[563张图像(95个非gross ETE结节和48个gross ETE结节)]中,基于病理结果验证各个模型的诊断性能,并与两位高年资医师和两位低年资医师进行比较。结果:1.在内部测试队列中,DL model具有最高的AUC[0.91(95%CI:0.87,0.96)],显著高于两位高年资医师[AUC 0.78(95%CI:0.71,0.85),P<0.001和AUC 0.76(95%CI:0.70,0.83),P<0.001],两位低年资医师[AUC 0.65(95%CI:0.58,0.73),P<0.001和AUC 0.69(95%CI:0.62,0.77),P<0.001],并显著高于临床模型[AUC 0.84(95%CI:0.79,0.89),P=0.019]。与临床+DL模型对比[AUC0.94(95%CI:0.91,0.97),P=0.143]没有显著差异。2.在外部测试队列中,DL Model仍然具有最高的AUC[0.88(95%CI:0.81,0.94]。显著高于高年资医师2和两位低年资医师[0.75(95%CI:0.66,0.84),P=0.008 0.72(95%CI:0.62,0.81),P=0.002和0.67(95%CI:0.57,0.77),P<0.001],但与高年资医师1相比[0.81(95%CI:0.72,0.89),P=0.152]没有显著差异。与临床模型[AUC 0.85(95%CI:0.79,0.91),P=0.516]和临床+DL模型[AUC 0.92(95%CI:0.87,0.96),P=0.093]对比没有显著差异。3.两位低年资医师在DL model的辅助下,诊断能力均有显著提升。结论:基于超声图像的DL model为术前诊断gross ETE甲状腺癌提供了一个简便且实用的工具,其诊断性能不亚于高年资医师。