基于小样本甲状腺高b值扩散加权成像影像组学的机器学习在鉴别诊断结节型桥本甲状腺炎与甲状腺微小乳头状癌中的应用

摘要

目的 探讨小样本甲状腺高b值扩散加权成像(DWI)影像组学分类模型鉴别诊断结节型桥本甲状腺炎(NHT)与甲状腺微小乳头状癌(PTMC)的价值.资料与方法 回顾性纳入经病理证实的40例46个NHT和48例61个PTMC甲状腺高b值DWI,对结节进行分割、特征值提取,并使用3种特征值标准化、2种降维、3种特征值筛选方法确定影像组学特征值,采用受试者工作特征(ROC)曲线和曲线下面积(AUC)分析10种分类模型对两种病变的鉴别诊断效能.结果 46个NHT和61个PTMC共提取了107个影像组学特征值.当选择Normalize to unit(NormUnit)进行标准化、主成分分析进行降维、ANOVA进行特征值筛选,在15个特征值时,线性判别分析分类模型鉴别诊断NHT与PTMC效果最优,准确度为85.71％,敏感度为80.00％,特异度为100.00％,AUC值为0.925.结论 小样本甲状腺高b值DWI影像组学分类模型对于NHT和PTMC具有鉴别诊断价值.