基于多模态超声建构甲状腺乳头状癌决策树模型及其应用价值

郑 蕊 李秀芹 代笑梅

甲状腺癌中甲状腺乳头状癌临床常见[1-2]。目前关于甲状腺乳头状癌发生发展机制尚处于研究中，与遗传、情志不畅和内分泌紊乱等因素有关[3]。最近几年甲状腺癌发生率增加已引起世界医护人员重视。既往研究结果表明[4-5]，对甲状腺乳头状癌早期治疗能治愈90% 以上的患者，既能延长患者生存时间，又能提升其生活质量。在甲状腺乳头状癌诊断中超声起到重要的作用。同时定期超声检查是防治甲状腺癌主要途径[6]。随着我国超声设备和检查水平的提升，多模态超声在反映甲状腺肿瘤形状、临近关系上更有优越性，尤为适合我国年轻女性及育龄期女性。决策树是在诸多规则下对目标数据进行分类建模的过程。流程图主要是使用if-then规则生成。在流程图中结构的顶端是根节点，而各个内部节点都是一个属性上测试，不同分枝是测试输出结果，各个路径都可以对应着一条取舍原则。整个决策树对应着一组析取表达式规则，现已用于疾病诊断中。本文选择医院2020年1月到2020年12月收治的甲状腺乳头状癌患者作为研究对象，使用多模态超声建构甲状腺乳头状癌决策树模型，并对其应用价值进行分析，现报告如下。

1.1 一般资料

选择医院2020年1月到2020年12月收治的甲状腺乳头状癌患者106例，年龄48～78岁，平均年龄(59.28±3.08)岁；
病程最短6个月，最长4年，平均(2.98±0.21)年；
均为女性，均已生育、已婚。

1.2 病例纳入与排除

纳入标准：①多模态超声检查的患者；
②病理诊断确诊为甲状腺乳头状癌患者；
③经医院伦理学会批准。排除标准：①其他类型的甲状腺癌；
②近1年内接受放疗、化疗及其他抗肿瘤治疗的患者；
③合并其他恶性肿瘤的患者；
④复发患者；
⑤红斑狼疮患者；
⑥合并严重性基础疾病患者。

1.3 方法

1.3.1 筛选建立数学模型的确定指标 多模态超声的甲状腺乳头状癌指标有位置、形态、大小、边界、内部回声、血流分布、淋巴结转移、分级、分期、累及位置共11项指标。

1.3.2 数学模式的建立 在计算机上使用SPSS Clementine 12.0软件将106例患者的超声指标建模进行分析，包括Logistic回归分析和决策树模型。在数据基础上，使用已经筛选的超声指标作为建立数学模型的输入指标，病理诊断结果作为输出，成为建模的金标准。采用SPSS 20.00随机抽取106例患者样本的50%作为训练集，另50%作为预测集验证模型优劣。建模过程分为训练集和测试集2个分支流。训练集先将随机抽样得到的70%的数据料分别建立Logistic回归与决策树2个数学模型。再使用MedCalc V12.40软件绘制ROC曲线并比较不同模型的ROC曲线下面积(AUC)，应用筛检实验评价指标和ROC 曲线比较2种模型Logistic回归与决策树对预测集样本的预测效果。检验水准α=0.05。

2.1 Logistic回归与决策树训练集结果分析

决策树在训练集结果中正确率为90.57%(48/53)，明显高于Logistic回归的正确率56.60%(30/53)，P<0.05。

2.2 Logistic回归与决策树测试集结果分析

决策树在测试集结果中正确率为83.02%(44/53)，明显高于Logistic回归的54.72%(29/53)(χ2=9.900，P<0.05)。

2.3 Logistic回归与决策树灵敏度、特异度和准确度分析

决策树灵敏度、特异度和准确度均高于Logistic回归(P<0.05)，见表1。

表1 Logistic回归与决策树灵敏度、特异度和准确度分析/%

2.4 Logistic回归与决策树ROC曲线和曲线下面积分析

各模型的ROC曲线下面积结果如下图所示，Logistic回归的AUC面积为0.554(95%CI：
0.392～0.717)；
决策树的AUC面积为0.810(95%CI：0.676～0.943)。ROC曲线下的面积值在1.0和0.5之间，在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。AUC的面积又反映了各个指标预测结果的准确性，即决策树诊断的检验准确性最高。见图1。

图1 Logistic回归与决策树ROC曲线

既往研究结果发现[7]，最近20年来女性甲状腺癌死亡率降低接近20%，其中早期发现和早期诊断是主要原因。大量研究结果在证实[8-11]，早期患者预后较晚期甲状腺乳头状癌患者好，生存时间明显延长，复发率显著降低。目前甲状腺乳头状癌早期发现主要依赖于患者自身积极主动体检，但是我国女性体检意识不强，导致甲状腺乳头状癌检出主要依赖超声诊断及其他辅助诊断措施。随着现代信息计数的发展，甲状腺乳头状癌诊断越来越依靠现代信息技术和影像学技术[12-14]。多模态超声涵盖多种超声诊断技术，包括常规超声、超声弹力成像和超声造影等。常规超声选择清晰的二切面，多角度癌肿瘤内部结构、回声、形态和边界[15-16]。超声弹力成像同样选择清晰的二维切面，但与常规不同的是选择纵切面，将机器调整为弹性成像模式后，调整合适的取样框，使得肿瘤组织整个在取样框内，加压。超声造影则是在患前臂浅静脉建立静脉通路，选择清晰的切面固定不动，注射造影剂后观察病灶造影剂灌注情况和回声强度。计算机辅助超声诊断疾病的研究较多。有学者做了大量研究工作后证实，数据模型挖掘计数有利于提升疾病的准确率，便于临床制定个性化治疗方案[17-18]。目前常用的数据挖掘方法有经网络、二元逻辑回归和支持向量机及贝叶斯方法。以上这些方法被用于诊断和鉴别卵巢癌、肺癌等。冯云霞等[19]研究发现，使用决策树模型可以用于指导重症监护室医生对患者插管后最佳拔管时间的判断，可以有效减少再次插管损伤。决策树模型和回归模型诊断效能较好，且各有自己的特点。通常情况下，在存在多个变量时，回归模型均有决策树模型[20]。而决策树模型具有以下优点：①决策树产生的分类原则较其他模型更容易理解。②更擅长处理非数值型的离散数据，在较多缺失值不完整的数据资料情况下能处理数值型数据。③决策树模型与其他模型对数据的要求较高相比，大大降低了对数据的处理工作。

本次研究结果显示，决策树在训练集、测试集结果中正确率较回归模型高，且决策树ROC曲线下面积大。灵敏度、特异度和准确度是常用于诊断的评估指标。临床通常选择一组病理和另一组对照，用于诊断试验，并对其指标进行比较，以得出诊断效能。ROC曲线又被成为测试者工作曲线，其曲线下面积反映了本次决策树实验识别算法的正确性及错误目标能力情况。何月明等认为[21]，临床上可以使用ROC曲线用于两种或以上诊断系统性能，以判断诊断价值，选择更优方法。经研究发现ROC曲线评价方法用于多模态超声指导决策树模型建立的应用结果具有更加直观和简单性。以往在临床中使用超声检查甲状腺癌就受到认可，分析原因超声有较高的准确性和分辨率。放射科医生借助放射学方法，将癌症患者的肿瘤形态、边界和浸润等问题的研究从形态学发展到形态与影响功能成像相结合的阶段。目前发现多模态超声虽能用于诊断甲状腺乳头状癌，但因其癌症复杂性和其他不确定因素，使得临床出片结果较慢，患者需要7～15 d甚至更长时间的等待，从而影响了治疗。决策树模型与传统处理甲状腺乳头状癌方法相比是一种新型的数据处理方法，对甲状腺乳头状癌原始数据类型和分布状态的要求较低，既能同时处理甲状腺乳头状癌分类变量，又能处理甲状腺乳头状癌连续变量，结果简单、直观，且模型的分类结果灵敏度、特异度较高，更易于理解、应用，从而便于临床征候诊断时的实际操作。基于多模态超声结果采用决策树模型有利于辅助医生诊断甲状腺乳头状癌，对肿瘤形态、边界等进行定性。本研究对肿瘤位置、形态、大小、边界、内部回声、血流分布、淋巴结转移、分级、分期、累及位置资料进行回归模型和决策树模型分析，显示基于此的决策树模型敏感度、特异度和诊断效能更佳。

综上所述，基于多模态超声建构甲状腺乳头状癌决策树模型能提升诊断效能，且其敏感性、特异性和准确性较高，建议使用。

推荐访问:甲状腺 超声 建构