European Radiology：基于机器学习的临床决策算法诊断原发性甲状旁腺功能亢进

对于原发性甲状旁腺功能亢进症（PHPT）患者，甲状旁腺手术的术前计划依赖于对一系列患者特异性数据的全面分析和综合，以指导每位患者的最佳手术方法。自从微创甲状旁腺切除术（MIP）出现以来，影像定位越来越重要，可以协助外科医生决定是选择MIP还是传统的双侧颈部探查（BNE）。一般情况下，影像学表现为单腺体病变的患者行MIP，影像学表现为多腺体病变或阴性的患者行BNE。虽然准确的术前成像对手术成功至关重要，但其他临床和实验室变量提供了有价值的信息，可用于补充成像数据，以改进手术决策。

甲状旁腺术前最广泛使用的成像方式是超声、超声成像（MIBI）和四维（4D）计算机断层扫描（4D-CT），大多数机构使用超声和MIBI结合，4D-CT作为辅助方式。然而，近年来，4D-CT已成为一种重要的影像技术，在各种临床情况下具有较高的诊断准确性，包括更难以治疗的多腺体疾病和轻度PHPT。将4D-CT与MIBI和超声进行比较的研究也表明，4D-CT的准确性优于其他两种方法。

PHPT最关键的生物学变量是血清钙和甲状旁腺激素（PTH）浓度，可用于诊断和疾病监测。PHPT有几种不同的临床表现，从无症状的PHPT，患者没有明显的症状，到正常钙血症的PHPT，患者在评估低骨量时被发现，再到典型的高钙血症、非常高的甲状旁腺激素水平和明显的症状。一般来说，较高的钙和甲状旁腺激素水平与更严重的疾病、更高的单腺疾病（孤立腺瘤）发病率、更大的腺体大小相关，相反，多腺、增生性疾病的发病率较低。因此，在外科研究和放射学研究[中，血清钙和甲状旁腺激素水平被用来预测多腺体疾病的概率。威斯康星指数（WIN），定义为术前血清钙和甲状旁腺激素水平的乘积，是一种被提出的生物化学分层方法。

机器学习（ML）是人工智能（AI）的一个子集，是一种数据科学方法，其中计算机迭代学习而无需使用显式规则编程。由于PHPT是一种异质性疾病，具有不同范围的临床和影像学特征，因此ML可以用于为精准医学开发个性化的结果预测分析。ML模型具有通过分析广泛的患者数据实现个性化医疗保健的潜力。

最近，发表在European Radiology 上的一篇文章训练和验证了基于机器学习的临床决策算法（MLCDA），并采用该算法利用术前变量诊断甲状旁腺功能亢进以协助手术决策。

本项回顾性研究纳入了2013年2月至2016年9月458例连续接受4D-CT和sestamibi SPECT/CT （MIBI）联合治疗并随后进行甲状旁腺切除术的原发性甲状旁腺功能亢进（PHPT）患者。研究队列分为训练组（前400例患者）和验证组（其余58例患者）。研究评估了16个临床、实验室和影像学变量。随机森林算法选取最佳预测变量，生成性能最高的临床决策算法（MLCDA）。MLCDA被训练来预测患者的四个甲状旁腺功能亢进与正常腺体的概率。参考标准为手术报告和病理的四象限定位，并对MLCDA的准确性进行前瞻性验证。

从16个变量中，该算法选择了3个变量进行最佳预测：结合4D-CT和MIBI(1)敏感读数、(2)特异性读数、(3)血清钙和甲状旁腺激素水平的交叉积，并使用5种概率类别输出MLCDA功能亢进腺体。MLCDA在训练集（4D-CT + MIBI: 0.91 [95% CI: 0.89-0.92]）和验证集（4D-CT + MIBI: 0.90 [95% CI: 0.86-0.94]）中表现出优异的正确分类准确性。

图 基于训练集和验证集的五种类别的病理功能亢进腺体的概率总结

本项研究表明，机器学习生成的临床决策算法可通过概率分类准确诊断甲状旁腺功能亢进，可用于完善术前规划并传达诊断确定性。

原始出处：

Randy Yeh,Jennifer H Kuo,Bernice Huang,et al.Machine learning-derived clinical decision algorithm for the diagnosis of hyperfunctioning parathyroid glands in patients with primary hyperparathyroidism.DOI:10.1007/s00330-024-11159-8