0 引言

       甲状腺结节（thyroid nodule, TN）是常见的甲状腺疾病，女性发病率较高^[1]。TN的病理类型多样，包括乳头状癌（papillary thyroid carcinoma, PTC）、滤泡状瘤、髓样癌及未分化癌等。其中，PTC是临床上最为常见的甲状腺恶性肿瘤^[2]。约95%的TN为良性，不需要立即干预，但仍有约5%的TN为恶性^[3]。临床上，早期准确鉴别良恶性结节至关重要，因为不同类型的结节在治疗策略和预后方面存在显著差异^[4]。早期诊断恶性结节有助于防止癌症进展，并提高患者的生存率。

       根据相关指南^{[5, 6]}，高分辨率超声是评估所有已知或怀疑TN的首选影像学检查，通过评估大小、质地、形状、边界、钙化及血供等超声指标，临床医师可以评估判断TN的风险级别，从而决定是否进行细针穿刺活检（fine needle aspiration biopsy, FNAB）。对于拟手术治疗的TN，术前可选择性行CT或MRI检查。然而，尽管超声检查能够提供结节的形态学信息，如数目、位置、包膜完整性和方位情况^[7]，具有无创性、便捷性和较高的敏感性等优势，但这种方法在评估结节内部成分及深部结构时存在局限性，且诊断结果依赖于医师的经验，主观性较强。CT能够提供结节的密度和钙化信息，但其软组织分辨率相对较低，使用放射线可能带来辐射风险。MRI虽然能够清晰显示结节的软组织特征，有助于提高对结节性质的评估能力，但其成本较高、检查时间较长。正电子发射断层扫描（positron emission tomography, PET）可以反映结节的葡萄糖代谢水平，在恶性结节的鉴别中具有一定参考价值，但其特异性和敏感性仍存在局限，尤其在某些良性病变中可能出现假阳性结果^[8]。

       近年来，在传统影像学诊断方法的基础上，影像组学逐渐成为TN定性诊断的重要补充手段。影像组学作为一门融合医学影像学、计算机科学和生物统计学的新兴跨学科领域，通过从常规的医学影像中提取高维度的量化特征，并结合机器学习（machine learning, ML）算法构建模型，获得对疾病诊断有价值的信息，从而为TN的良恶性鉴别提供了新的视角^[9]。然而，尽管近年来关于TN影像组学的研究日益增多，但目前缺乏系统的归纳和总结，使得临床医生和研究人员在了解该领域最新进展时面临一定挑战。因此，本综述旨在对影像组学技术的基本概念，基于超声、CT、MRI及PET等影像组学方法在TN定性诊断中的应用现状以及影像组学在TN诊疗中面临的挑战进行全面文献回顾和总结，向读者揭示目前存在的不足及发展前景，以期为影像组学在TN的临床应用提供参考，并为个体化医疗的进一步发展提供新方向。

1 影像组学技术概述

       影像组学这一概念由荷兰学者LAMBIN等在2012年首次明确提出，最初是从CT图像中抽取大量影像信息^[10]。随着技术的进步，影像组学的研究范围已经显著扩展，涵盖了MRI、超声、PET以及病理学等多个医学成像领域^[11]。其核心价值在于能从常规的医学影像资料中提炼出与临床和生物标志物相关的精细信息，从而为疾病的诊断、治疗规划和预后预测提供精确的临床见解。

       影像组学的基本流程包括高质量图像的采集、感兴趣区（region of interest, ROI）的精确勾画、图像特征的提取与筛选、模型的构建与优化，以及最终的预测和分析^[12]。该过程不仅依赖于高质量的影像数据，还依赖于对ROI的准确分割，以确保分析结果的准确性。ROI的分割方法有手动分割法、半自动分割法、自动分割法，在肿瘤分割时，常采用计算机辅助的肿瘤分割方法^[13]。在构建TN的影像组学模型中，依赖于准确的分割来提高模型识别TN的能力^[14]。特征提取是影像组学中的关键步骤，旨在从图像中识别与疾病相关的形状、纹理和统计特征。特征提取后，采用假设检验和最小绝对收缩和选择算子算法（Least Absolute Shrinkage and Selection Operator, LASSO）和主成分分析（principal component analysis, PCA）等技术进行特征筛选，减少数据维度，同时保留最具信息量的特征，提高计算效率和准确性^[15]。在特征筛选之后，通过ML或统计分析方法构建诊断模型并加以验证，常用的模型构建方法包括支持向量机（support vector machine, SVM）、随机森林及逻辑回归等，这些算法能够有效地整合影像数据中的定量特征，学习特征与疾病之间的复杂关系，从而帮助实现精准诊断^[16]。

       深度学习（deep learning, DL）是ML的一个子集，特别擅长通过多层神经网络处理复杂数据。与传统的ML方法相比，DL可以从庞大的数据集中自主识别和提取相关特征，不需要手动提取特征^[17]。DL模型种类众多，如卷积神经网络（convolutional neural network, CNN），能够自动从影像中提取形状、边界和纹理等复杂特征，广泛应用于影像组学研究中，进一步提高了模型的诊断性能。

2 影像组学在TN诊断中的应用

       随着影像组学技术的不断发展，其在TN定性诊断中的应用也取得了显著进展。通过对超声、CT、MRI及PET/CT等多种影像数据的深度分析，影像组学能够提取多维定量特征，为TN的良恶性鉴别提供了全新的方法学支持。

       在超声影像组学方面，研究者利用灰度、纹理和弹性成像参数，建立了预测TN良恶性的模型^[18]。CT影像组学通过分析结节的大小、形状、密度分布和强化等特征，辅助预测PTC颈部淋巴结转移情况^[19]。MRI影像组学则通过多参数、多序列、多平面的高分辨率图像，深入揭示TN的内部微观结构，为TN良性的准确鉴别提供依据^[20]。PET/CT影像组学结合功能代谢信息，提取结节的代谢特征，展示了其在TN功能及其恶性风险等方面的发展前景与优势^[21]。

2.1 超声影像组学

       超声具有操作简单、无放射性、诊断快速等特点^[22]。超声影像组学通过图像处理技术和ML算法，从图像中提取纹理分析指标、边缘特征、形状参数和回声强度模式等多维特征，有助于提高TN良恶性的鉴别能力，并降低了不必要的FNAB，从而避免对低风险或良性结节的过度干预^[23]。LUO等^[24]的研究发现，基于超声的影像组学评分（radiomics score, RAD-score）结合美国放射学会甲状腺影像报告和数据系统（American College of Radiology Thyroid Imaging Reporting and Data System, ACR TI-RADS）的组合模型在预测TN良恶性方面表现出较高的准确性。该模型的曲线下面积（area under the curve, AUC）达到0.913，敏感度、特异度、准确度分别为87.37%、84.18%、85.79%，提示RAD-score结合ACR TI-RADS的模型在TN良恶性鉴别中具有优势。CHEN等^[25]采用基于超声的影像组学临床ML模型，发现该模型在预测TI-RADS 3类结节中的甲状腺微小乳头状癌（papillary thyroid microcarcinoma, PTMC）方面具有优异的准确性，表明将影像组学特征与临床信息结合能有效提高预测能力。此外，基于超声图像的DL模型与甲状腺癌多基因风险评分相结合，也有助于判断TN的良恶性，POZDEYEV等^[26]发现该方法能显著提高TN良恶性分类的准确性。通过整合遗传风险信息，减少了甲状腺恶性肿瘤的漏诊率，降低了不必要的活检负担。

       多模态超声影像组学通过结合多种成像技术，进一步提高了对TN恶性风险的预测能力。LI等^[27]的研究显示，结合病灶周围ROI扩展区域的多模态超声影像组学模型，在TI-RADS 4类结节中表现出更高的恶性预测准确性。其中，灰阶超声的AUC值为0.753，剪切波弹性成像（shear wave elastography, SWE）的AUC值达到0.728。REN等^[28]的研究表明，基于B型超声、超微血管成像（superb microvascular imaging, SMI）和超声造影（contrast enhanced ultrasonography, CEUS）的多模态超声影像组学方法能够有效降低不必要的FNAB率，训练组从43.4%降低至13.9%，验证组从45.6%降低至18.0%，在降低不必要的FNAB方面具有更好的诊断性能。此外，刘安信等^[29]的研究结果显示，结合超声、SWE及CEUS图像的多模态超声影像组学在区分TN良恶性方面表现优异。

       总之，超声影像组学进一步揭示了TN的细微结构变化，为TN的定性诊断提供了关键信息，与现有的TN风险评估指南呈现出一致性。此外，随着人工智能的快速发展，基于人工智能技术的超声影像组学有望提高TN良恶性鉴别的诊断性能，减少超声医生的工作负担，但在数据标准化、样本普遍性和多中心验证等方面仍存在挑战，有待进一步研究。

2.2 CT影像组学

       在TN的诊断中，超声的诊断结果很大程度上依赖于医生的经验，且在评估深部颈部结构方面存在一定局限^[30]。CT具有较好的软组织和空间分辨率，能提供更全面的TN影像信息，可以作为术前的补充检查^[31]。CT影像组学在此基础上进一步拓展，通过挖掘图像中大量深层数据，如形状、大小、纹理、边缘清晰度以及灰度值分布等多维特征，提高了基于CT图像的TN定性诊断准确性^[32]。董林娟等^[33]的回顾性研究构建了CT平扫、动脉期、静脉期影像组学模型，评估其在PTC和结节性甲状腺肿（nodular goiter, NG）术前鉴别中的表现，通过计算各模型的诊断效能。结果显示出较高的诊断效能。XU等^[34]分析了161例TN受试者的CT影像资料，基于影像组学特征构建的逻辑回归模型实现了很高的诊断精度，训练组和测试组的AUC分别达94.4%和94.2%，表明基于全甲状腺CT的影像组学在区分良性和恶性TN方面的有效性。此外，武欣欣等^[35]的研究发现，结合CT影像组学与临床危险因素构建的影像组学诺模图在预测≤1 cm的微小TN的良恶性方面具有较高的鉴别能力，AUC达0.793（95%置信区间为0.642~0.901），提示CT影像组学对于判断患者是否存在微小甲状腺癌提供了一个有价值的预测模型，对于指导诊断决策、改善治疗具有重要意义。

       双能量CT（dual energy CT, DECT）通过使用两种不同能量的X射线来获取图像^[36]。此外，通过后处理分析后，可获得包括碘浓度（iodine concentration, IC）、能谱曲线斜率（slope rate of spectral attenuation curve, λHU）及有效原子序数（effective atomic number, Zeff）等多种能谱参数，能够提供甲状腺组织成分的量化信息，为TN的定性诊断提供更为精确的指导^[37]。基于DECT的影像组学模型在良恶性TN鉴别方面表现出较高的诊断效能^[38]。LU等^[39]应用LASSO回归算法筛选出PTC患者发生颈部淋巴结转移的7个危险因素，并构建了整合DECT影像特征的临床影像组学列线图，有效提高了转移风险预测的准确性，为PTC患者的个性化治疗方案提供依据。另一项研究发现，基于碘图的DECT影像组学列线图在预测PTC的外延伸及复发风险方面表现出较强的诊断性能^[40]。ZHOU等^[41]也证实DECT碘图影像组学分析在PTC转移及复发风险预测中的优势，显著优于CT图像特征的定性评估，进一步支持了DECT影像组学在PTC诊断中的应用价值。

       由此可见，CT影像组学在TN定性诊断中具有重要作用，揭示了微观特征并提供了诊断、预测及预后评估的关键信息。然而，大多数研究未纳入微小原发灶或多发病灶，限制了模型的全面性。未来应结合高分辨率CT技术与先进后处理软件，提升对TN中微小病灶、不规则肿瘤及多发病灶的检测能力，为TN精准诊断和个性化治疗提供支持。

2.3 MRI影像组学

       尽管超声广泛用于TN的初筛，但在预测PTC颈部淋巴结转移方面的敏感性不足^[42]。CT检测通常需要使用含碘对比剂（iodinated contrast media, ICM），ICM中的碘含量较高，在注射后可能引发甲状腺功能异常（thyroid dysfunction, TD）^[43]。一项前瞻性纵向队列研究评估了使用ICM后甲状腺功能障碍的长期风险，研究发现11.5%的受试者在接受碘对比剂后出现了碘诱导的TD，其中4.9%发生甲状腺功能亢进，6.6%为亚临床甲状腺功能减退^[44]。这提示ICM可能增加甲状腺疾病患者的治疗复杂性，并应在注射后进行定期监测。相比之下，MRI因其出色的软组织对比度和无辐射优势，能提供更丰富的TN影像信息。基于MRI的影像组学通过深层数据分析，能更精确地评估TN的性质，特别是在预测TN的侵袭性及其与周围组织的关系方面具有重要应用^[45]。何品等^[46]回顾性收集135例TN的MRI图像，发现基于MRI多种结构象（T1WI、T2WI以及T1WI增强）的影像组学在区分TN良恶性方面具有较好的诊断效能。徐海军等^[47]纳入了148例TN的MRI图像，发现基于MRI扩散加权成像（diffusion weighted imaging, DWI）和表观扩散系数（apparent diffusion coefficient, ADC）的影像组学模型在良恶性鉴别中具有良好的应用价值。另外，利用MRI影像组学特征结合ML方法构建的分类模型，在区分桥本甲状腺炎性结节与甲状腺微小乳头状癌方面也展现出了优势^[48]，相较于超声引导下的FNAB，能减少不必要的损伤。

       此外，MRI影像组学模型还能提供有关甲状腺癌肿瘤是否侵犯周围结构和转移性淋巴结的影像学证据。QIN等^[49]的研究发现，基于多参数MRI的影像组学模型在PTC颈部淋巴结转移预测中表现出较高准确性，受训组的AUC为0.805，验证组则为0.760。HU等^[50]对133名PTC患者进行了回顾性评估，从术前的超声、T2WI、DWI和CE-T1WI图像中提取了影像组学特征，构建了结合超声和多参数MRI的临床多模态影像组学模型，该模型在预测PTC颈淋巴结转移方面优于传统临床模型，具有较高的诊断价值。同样，另一项研究通过多参数MRI影像组学方法预测PTC患者颈部淋巴结转移情况^[51]，研究者从DWI、T2WI、多期T1WI增强图像中提取影像组学特征，建立了组学特征的预测模型，结果表明该组学模型对预测PTC术前颈部淋巴结转移方面的预测较好，训练组与验证组的AUC值分别达到0.92和0.80，敏感度分别为83.3%、88.9%，特异度分别为78.9%、77.8%，进一步验证了其预测性能。

       综上所述，MRI影像组学作为一种无创、干预少且重复性高的技术，为TN的定性诊断和后续治疗提供了重要的辅助信息。随着影像技术和数据分析方法的进步，MRI影像组学在甲状腺癌早期侵袭和淋巴结转移检测方面展现出独特优势和应用潜力。未来，应通过引入人工智能技术、甲状腺专用线圈和小视野成像等新技术，扩大研究规模，优化数据处理流程，进一步提升MRI影像组学的临床应用价值。

2.4 PET/CT影像组学

       MRI在提供TN及其周围结构的详细解剖信息方面具有优势，而PET/CT的主要优势在于其结合了功能信息和解剖结构数据。目前，最常用的PET显像剂为¹⁸F-FDG^[52]，¹⁸F-FDG PET/CT作为核医学成像的重要工具，能提供组织结构的精确信息，对包括肺癌、乳腺癌和甲状腺癌在内的多种癌症具有较高的诊断价值，并能评估肿瘤细胞的代谢活性^[53]。通过对¹⁸F-FDG PET/CT图像进行影像组学分析，可提取肿瘤代谢体积（metabolic tumor volume, MTV）、糖酵解量（total lesion glycolysis, TLG）和标准摄取值（standard uptake value, SUV）等特征，这些指标不仅反映甲状腺肿瘤的代谢活性，还为甲状腺癌患者的风险评估和治疗监测提供了新的见解^[21]。GIOVANELLA等^[54]的研究表明，¹⁸F-FDG PET/CT影像组学分析结合多种PET指标能够提升对细胞学不确定性TN的风险分层能力（AUC=0.733），进而减少不必要的甲状腺切除手术。DE KOSTER等^[55]纳入了123例具有细胞学不确定性的TN患者，其中29例为Hurthle细胞癌，甲状腺Hurthle细胞癌是一种罕见的甲状腺癌类型，其特征是含有大量的颗粒状细胞，约占所有甲状腺癌的3%~4%。研究通过对SUV和SUV比率进行受试者工作特征曲线分析，发现所有结节、非Hurthle细胞结节及Hurthle细胞结节的最高AUC值分别为0.729、0.757和0.700，表明PET/CT影像组学在不确定性TN诊断精度及风险分层中具有重要价值，尤其在评估Hurthle细胞结节时表现显著。ABOU等^[56]的进一步研究发现，基于¹⁸F-FDG PET/CT的影像组学模型能有效提高对TN良恶性鉴别的准确性，并能在一定程度上预测不确定性TN的恶性风险。特别是在结节FDG摄取呈阴性时，该模型能够以较高的可靠性排除TN的恶性风险，从而免除非必需的手术干预。

       此外，KO等^[57]基于¹⁸F-FDG PET/CT的影像组学模型，研究了对恶性TN方面的诊断能力，结果表明合并敏感度为77%，合并特异度为67%，验证了PET/CT影像组学在预测甲状腺偶发瘤（thyroid incidentalomas, TI）恶性结节方面具有良好的诊断效能。DONDI等^[58]评估了¹⁸F-FDG PET/CT纹理分析在TI诊断中的能力，结果显示良性和恶性TN的SUVmax存在显著差异，证实¹⁸F-FDG PET/CT纹理分析可有效应用于TI的风险分层预测。最近的一项Meta分析纳入了17项基于影像组学或ML方法的PET/CT在TN定性诊断中的研究，结果支持PET/CT影像组学在TN良恶性鉴别中的有效性^[59]。

       综上所述，PET/CT影像组学在TN的定性诊断和TI良恶性鉴别中具有独特价值，为临床诊疗提供了重要支持。然而，关于PET/CT影像组学在甲状腺癌中的研究较少，其在图像边界清晰度、空间分辨率及阴性结果等方面存在局限性。未来应结合图像识别技术和人工智能技术，优化图像处理与数据分析能力，以进一步提升PET/CT影像组学对病灶识别及甲状腺癌诊断的精准度和效率。

3 影像组学在TN诊疗中面临的挑战

       影像组学通过从图像中提取大量定量特征，将成像数据转化为可分析信息，这些信息可以用作TN的定性诊断指标，实现传统影像学不能达到的医疗数据整合，从而更好地支持临床决策。然而，影像组学在TN诊疗中的广泛应用仍面临挑战。首先，影像数据的集成和处理是一个显著难题。不同成像技术（如超声、CT、MRI和PET/CT）所产生的影像数据在格式、空间分辨率及对比度等方面存在差异，如何协调不同成像之间的信息以确保数据一致性和可比性成为关键^[60]。其次，目前多数影像组学研究基于回顾性设计，样本量较小且缺乏大规模的前瞻性验证，这限制了影像组学模型的普适性以及在不同人群中的推广应用。此外，影像组学提供的特征如何与TN的生物学特性、临床表现及预后等因素相结合，以实现个体化精准医疗决策，仍需进一步的研究来验证。

4 不足与展望

       影像组学在TN定性诊断中的应用得到广泛研究，但其仍存在许多不足之处。首先，尽管影像组学在TN良恶性鉴别中显示出较高的诊断效能，但大多数研究主要关注于PTC，其他类型的TN如滤泡状瘤或髓样癌等，相关研究相对较少，影响了影像组学在TN中的普适性和应用价值。其次，尽管影像组学能够为TN的定性诊断提供客观证据，但在实际临床应用中仍存在技术壁垒。一方面，影像组学模型的构建需要高质量、多模态的影像数据，而目前关于TN的研究多为单中心内部试验，缺少统一标准的高质量甲状腺影像数据库；另一方面，模型的泛化能力和在不同医疗中心的适用性仍需大规模、多中心的前瞻性研究来进一步验证。最后，影像组学的成功实施不仅依赖于影像数据，还需要整合病理、基因组学和临床数据，而目前跨学科的合作尚不充分。这种跨领域协作的缺乏一定程度上阻碍了影像组学在TN诊疗中的全面应用。未来的研究应在优化技术方法的同时，扩大研究范围，特别是针对不同类型TN的研究。跨学科合作应得到进一步加强，以提升影像组学模型的临床适用性。影像组学有望与人工智能和DL等技术相结合，为TN的诊断、治疗决策以及预后预测提供更精准的支持。

       综上所述，尽管面临挑战，影像组学在TN的定性诊断中展示了广阔的应用前景。随着技术的进步和研究的深入，影像组学有望为TN患者的临床管理提供更精准的指导，展现全新的治疗前景。