European Radiology：双能量CT和深度学习在甲状腺癌可疑淋巴结诊断中的应用

据统计，甲状腺癌是最常见的内分泌恶性肿瘤，全球发病率呈上升趋势。大多数甲状腺乳头状癌患者在诊断时均存在颈部淋巴结(LN)转移，其转移程度可用于术前的治疗规划。根据美国甲状腺协会指南，对于局部浸润性肿瘤或多发淋巴结转移的患者，CT可辅助颈部超声检查今进行分期及诊断。

根据影像学与病理的相关性，一些CT表现可以帮助诊断甲状腺癌颈部LN转移。然而，对于常规CT图像上没有转移特征的LNs，准确诊断可能具有挑战性，这占甲状腺癌小LNs的大多数。除了LNs的体积小，常规CT图像的视觉观察可能会受到解释主观性的限制，患者的血液动力学变化具有差异，并且难以达到最大的对比度增强时间点，这使得LNs的评估变得困难。需要其他技术来诊断无可疑特征的LNs。

近年来，双能甲状腺CT在诊断甲状腺癌宫颈转移性淋巴结方面显示出了良好的能力。然而，据我们所知，尚未有研究关注无明显转移特征的转移性LNs。

现阶段，多种深度学习算法已被用于预测淋巴结转移。DL算法在乳腺癌组织病理切片上的转移诊断优于病理学家。基于双能CT参数的DL可有效预测头颈部鳞状细胞癌和胃癌的LN转移。据单我们所知，之前很少有研究探讨DL算法和双能CT对甲状腺癌患者无恶性特征的LNs的诊断准确性。

近日，发表在European Radiology杂志上的一篇研究探讨了双能计算机断层扫描(CT)和深度学习在甲状腺癌患者CT图像上模糊淋巴结(LNs)术前分类中的诊断价值。

本项前瞻性研究从2020年10月至2021年3月，对375例甲状腺疾病患者在小视野(FOV)行薄层双能甲状腺CT扫描和甲状腺手术治疗。对183例281例LNs患者的资料进行分析。在小视野CT图像上，目标淋巴结呈阴性或模糊。使用6个深度学习模型对常规CT图像上的病灶进行分类。将所有模型的性能与病理报告进行了比较。

在281例中，短径小于4mm者占65.5%。良、恶性LNs的多重定量双能CT参数差异显著。多变量logistic回归分析显示，最佳参数组合的曲线下面积(AUC)为0.857，具有良好的一致性和鉴别性，诊断准确率和灵敏度分别为74.4%和84.2% (p < 0.001)。基于视觉几何组16 (VGG16)的模型在鉴别良恶性LNs方面准确率最高(86%)，灵敏度最高(88%)，AUC为0.89。

表 光谱参数模型和六种CNN模型的性能

本项研究表明，基于小视野CT图像的VGG16模型比光谱参数模型具有更好的诊断准确性和灵敏度。本项研究提出了一种无创、方便的成像生物标志物来预测甲状腺癌患者有无可疑CT特征的恶性LNs。

原文出处：

Sheng Li,Xiaoting Wei,Li Wang,et al.Dual-source dual-energy CT and deep learning for equivocal lymph nodes on CT images for thyroid cancer.DOI:10.1007/s00330-024-10854-w