摘要

目的：探讨基于MRI T1WI、T2WI及T1WI增强图像构建的影像学模型对鉴别甲状腺结节良恶性的诊断性能。材料与方法：回顾性分析2019年1月—2022年12月我院经病理证实且行MRI检查的127例甲状腺结节患者的临床及影像资料。按7∶3的比例将患者随机分成训练组和测试组。所有患者术前均行MRI检查，分别提取T1WI、T2WI和T1WI增强图像的甲状腺结节特征，采用t检验、最小绝对收缩和选择算子（LASSO）算法、相关性分析进行特征筛选，通过K最近邻（KNN）、支持向量机（SVM）、随机森林（RF）和逻辑回归（LR）4个分类器建立预测模型，包括T1WI模型、T2WI模型、T1WI增强模型及联合模型。应用受试者工作特征（ROC）曲线评估模型效能，并利用Delong test检验模型表现的差异。结果：在T1WI、T2WI以及T1WI增强图像内分别筛选出7个、10个和5个影像组学特征用于构建模型。在测试组中，基于同一分类器构建的不同模型之间的比较中，KNN分类器构建的4种模型之间无统计学差异（P>0.05）;SVM、RF分类器构建的联合模型优于T1WI模型、T2WI模型及T1WI增强模型（P均<0.05）;LR分类器构建的T1WI增强模型与其他3种模型之间均无统计学差异（P>0.05），且基于LR分类器构建的T1WI增强模型的AUC值为0.788，灵敏度和特异度分别为74.6%、100%,T1WI模型的AUC值为0.775，灵敏度和特异度分别为75.1%、100%,T2WI模型的AUC值为0.791，灵敏度和特异度分别为76.3%、98.6%，联合模型的AUC值为0.797，灵敏度和特异度分别为79.8%、89.8%。结论：基于T1WI模型、T2WI模型、T1WI增强模型及联合模型建立的影像组学模型在鉴别诊断甲状腺结节中有一定的价值。

关键词