栖息地影像联合多模态分析用于甲状腺乳头状癌术前风险分层
这项多中心研究纳入四个中国中心共1215例病理确诊的甲状腺乳头状癌患者,基于术前CT和超声的栖息地影像联合临床与免疫指标构建多模态融合模型。最佳集成融合模型在训练集AUC为0.98,内部验证0.95,外部验证0.95–0.99,所有验证集准确率超过0.88,用于识别适合主动监测的低危患者。
要点
- 超声栖息地2(低回声异质区,占25.2%)被定为高风险栖息地,训练集AUC 0.92。
- CT栖息地MSI特征模型训练集AUC 0.93,验证集AUC 0.88–0.92。
- 集成融合模型整合CT-MSI、超声栖息地、临床参数和PLR,外部验证AUC 0.95–0.99。
核心结论
- 栖息地影像联合多模态分析可为甲状腺乳头状癌提供更优的术前风险分层,有助于制定个体化治疗计划并识别适合主动监测的低危患者,可能减少不必要的手术干预。
研究设计与样本
- 多中心研究,纳入四个中国中心共1215例病理确诊的经典甲状腺乳头状癌患者,训练集524例和内部验证集225例来自常州市第一人民医院,外部验证集1(51例)来自苏州市立医院,外部验证集2(174例)来自上海瑞金医院,前瞻性外部验证集3(241例)来自徐州市中心医院。
- 参考标准为2015年美国甲状腺协会(ATA)管理指南的风险分层,将中危和高危合并为「中/高危」组。
- 超声图像使用高频探头(5–15 MHz)采集,CT使用标准化协议(120 kV,层厚1.0–1.5 mm,矩阵512×512)。
- 超声和CT栖息地分别通过K-means聚类和监督体素分割识别,超声提取放射组学特征,CT提取多尺度指数(MSI)特征。
- 评估六种机器学习算法和三种融合策略,最佳模型为集成融合投票分类器(软投票)。
关键影像表现/征象
- 超声识别出4个栖息地:栖息地1(高回声区,36.4%)对应低细胞密度和潜在纤维化;栖息地2(低回声异质区,25.2%)对应高细胞密度和增殖活性,与侵袭性行为相关;栖息地3(等回声区,19.0%)对应中等细胞密度;栖息地4(复杂回声模式,19.3%)反映混合成分包括潜在钙化和坏死。
- CT识别出5个栖息地:栖息地1(23.9%)为核心肿瘤区域;栖息地2(39.0%)交互复杂度最高,提示生物学活跃;栖息地3(2.1%)为过渡区;栖息地4(9.0%)为低代谢区包括坏死和纤维化;栖息地5(26.0%)为周边区域伴可变强化模式。
- 超声栖息地2在训练集AUC为0.92,内部验证AUC为0.89,外部验证AUC为0.80–0.92。
- CT栖息地MSI特征模型训练集AUC为0.93,验证集AUC为0.88–0.92。
- 集成融合投票分类器(软投票)训练集AUC为0.98,内部验证AUC为0.95,外部验证AUC为0.95–0.99,所有验证集准确率超过0.88,Brier分数0.06–0.12。
诊断标准与关键数值
- 超声栖息地2被指定为高风险栖息地,其随机森林模型在训练集AUC为0.92,内部验证AUC为0.89,外部验证AUC为0.80–0.92。
- CT栖息地MSI特征模型(梯度提升机)训练集AUC为0.93,验证集AUC为0.88–0.92。
- 集成融合投票分类器(软投票)训练集AUC为0.98,内部验证AUC为0.95,外部验证AUC为0.95–0.99。
- 多因素logistic回归显示慢性淋巴细胞性甲状腺炎(OR=1.622,95%CI 1.070–2.457,p=0.023)、肿瘤大小(OR=1.554,95%CI 1.212–1.992,p=0.001)和血小板与淋巴细胞比值(OR=1.602,95%CI 1.401–1.833,p=0.004)为中/高危分层的独立危险因素。
- SHAP分析中MSI_Feature_11(CT)重要性得分最高(0.050),其次为gabor_angle_158_freq_3(超声,0.044)和Habitat_P80(CT,0.035)。
临床应用与阅片要点
- 模型基于术前CT和超声的栖息地特征、临床参数(慢性淋巴细胞性甲状腺炎、肿瘤大小)及免疫指标(血小板与淋巴细胞比值)进行风险分层,可用于术前识别低危患者。
- 超声栖息地2(低回声异质区)被定为高风险栖息地,阅片时需关注该区域特征。
- 作者开发了基于Streamlit的网页预测系统,可实时输出风险评分和分层,示例输出低危概率22.5%和中危概率87.5%。
- 作者认为该框架有助于个体化治疗计划制定和识别适合主动监测的低危患者,可能减少不必要的手术干预。
局限性
- 原文未报告局限性。
全文中译20 节 · 点击展开
引言
甲状腺乳头状癌(PTC)是最常见的甲状腺恶性肿瘤,约占所有甲状腺癌的85%–90%[1]。尽管总体预后良好,PTC在临床行为和预后方面表现出显著异质性。当前的风险分层系统,如美国甲状腺协会(ATA)指南[2],主要依赖术后病理结果,包括肿瘤大小、甲状腺外侵犯和淋巴结转移状态。这些传统方法需要在风险评估前进行外科干预,限制了术前治疗规划,并可能导致对个体患者选择不适当的治疗方案。
传统影像组学方法从整个肿瘤区域提取特征,假设整个病灶具有均匀特征[3]。这一假设往往无法捕捉肿瘤内部复杂的空间变异。栖息地成像(habitat imaging)被定义为对具有反映潜在生物学异质性的不同影像表型的肿瘤亚区域进行计算分割和分析,通过基于定量影像特征识别空间上不同的肿瘤亚区域来解决这一局限性[4]。
多模态术前数据的整合为准确的风险预测提供了有前景的机会。CT提供关于肿瘤形态和结构特征的解剖信息。超声检查提供对回声性、钙化和肿瘤边界的详细评估。临床特征和免疫学标志物提供补充影像学发现的额外生物学信息。机器学习技术可以有效整合这些多样化的数据来源,以识别与不同风险水平相关的复杂模式[5]。
本研究旨在利用栖息地成像结合多模态分析,开发一个全面的PTC术前风险分层模型。我们的方法将CT和超声衍生的栖息地特征与临床特征和免疫学标志物相结合,在外科干预前准确预测术后风险类别,从而实现个体患者的个性化治疗规划。
材料与方法
研究设计与患者人群
本多中心研究经常州市第一人民医院、上海瑞金医院、苏州市立医院和徐州市中心医院机构审查委员会批准(批准号:2019-N-97;2020-N-65;2022-N-192;2024-N-221),患者提供了知情同意。本研究按照修订后的《赫尔辛基宣言》(2013年)指南进行。
从2022年1月至2024年6月,我们分析了来自中国四个中心的1215例甲状腺结节患者。该队列包括来自常州市第一人民医院的训练集(n = 524)和内部验证集(n = 225),来自苏州市立医院的外部验证集1(n = 51),来自上海瑞金医院的外部验证集2(n = 174),以及来自徐州市中心医院的前瞻性外部验证集3(n = 241)(2024年8月至2025年1月)。
纳入标准:年龄≥18岁,经病理确诊为经典型PTC,临床资料完整,术前CT和超声图像质量高。排除标准:既往甲状腺干预、合并恶性肿瘤、图像质量差、数据不完整、新辅助治疗、非治愈性手术或随访不足。
临床数据收集
根据2015年ATA管理指南进行风险分层[2]。为模型开发目的,将中危和高危类别合并为单一的“中/高危”组,以优化二分类性能和临床决策效用,因为这两个类别通常需要积极治疗而非监测。临床变量包括人口统计学数据、实验室参数以及术前细针穿刺活检(FNAB)的病理结果。免疫学标志物,包括血小板与淋巴细胞比值(PLR)等,由术前3–5天获得的血常规检查计算得出。慢性淋巴细胞性甲状腺炎(CLT)状态根据术前评估记录,包括血清抗甲状腺过氧化物酶抗体和/或抗甲状腺球蛋白抗体升高,以及特征性超声表现(弥漫性低回声和不均匀回声质地)[2]。对于多灶性癌,肿瘤灶数量由术前FNAB确定,肿瘤位置以直径最大的病灶定义。病理结果包括颈部淋巴结状态和甲状腺外侵犯。使用方差膨胀因子进行多重共线性分析(VIF > 5予以排除)。多因素逻辑回归确定独立危险因素。
图像采集与处理
CT图像质量控制:所有CT扫描均在各中心采用标准化方案进行。对于Siemens Somatom Definition Flash扫描仪(主要设备),参数为:120 kV,1.0–1.5 mm层厚,512 × 512矩阵。质量评估标准包括:信噪比 > 20,对比噪声比 > 3,且无运动伪影。
超声图像质量控制:使用来自四家制造商的高频换能器(5–15 MHz)。标准化方案包括:深度设置2–4 cm,增益优化以实现最佳肿瘤显示,焦点置于肿瘤中心。质量评估标准:近场和远场肿瘤显示充分,声影最小,肿瘤边界清晰。
感兴趣区分割
肿瘤区域由两名经验丰富的放射科医师(经验超过10年)使用3D Slicer软件(版本5.0)手动分割。超声分割在最大横截面上进行,而CT分割在所有含肿瘤的层面上进行以构建三维体积。观察者间一致性在150例随机选择的病例上使用组内相关系数(ICC)评估,这些病例在所有四个参与中心分层抽取,由两名放射科医师独立进行分割。ICC值显示极好的一致性:超声分割为0.94(95% CI:0.89–0.96),CT分割为0.92(95% CI:0.88–0.94),均超过预设的可接受可重复性阈值0.85。
超声栖息地成像分析
超声感兴趣区(ROI)采用K-means聚类进行超像素过分割。使用Calinski-Harabasz指数识别出四个不同的栖息地。使用PyRadiomics(版本3.0.1)提取影像组学特征。特征选择采用Mann-Whitney U检验过滤、相关性过滤以及带有10折交叉验证的最小绝对收缩和选择算子(LASSO)正则化。评估了六种机器学习算法:随机森林(RF)、梯度提升机(GBM)、卷积神经网络、K近邻、逻辑回归和支持向量机(SVM)。
CT栖息地成像分析
CT图像经过超体素分割和两阶段聚类以识别五个栖息地子区域。使用多尺度指数(MSI)矩阵方法量化空间异质性。特征选择采用F分数排序。应用了相同的六种机器学习算法。
多模态融合策略
实施了三种融合方法:早期融合(拼接所有特征)、晚期融合(组合各模型预测)和集成融合(先进的集成技术)。
模型评估与验证
性能指标包括AUC、灵敏度、特异度、阳性和阴性预测值、准确率、F1分数和Brier分数。决策曲线分析评估临床实用性。内部验证采用5折交叉验证。外部验证使用三个独立队列进行。
模型可解释性与临床实施
SHAP分析提供模型可解释性。使用Streamlit框架开发了基于网络的预测系统,用于实时风险分层。
统计分析
统计分析使用R(版本4.2.1)和Python(版本3.8)进行。连续变量采用t检验或Mann-Whitney U检验进行比较。分类变量采用卡方检验或Fisher精确检验进行分析。统计显著性定义为p < 0.05。模型比较采用DeLong检验。
结果
患者特征与研究队列
这项多中心研究在四家机构招募了1215例甲状腺乳头状癌(PTC)患者。研究工作流程见图1。
基线特征总结于表1。各队列平均年龄范围为38.9至43.9岁。86.7%至94.1%的患者检测到BRAF V600E突变。20.9%至29.4%的患者存在CLT。平均肿瘤直径为1.1至1.2 cm。风险分层显示各队列中低风险患者占50.2%至66.7%。这些特征在训练队列和验证队列之间表现出可比分布。
临床危险因素分析
使用VIF进行多重共线性分析以评估特征独立性。BMI表现出高度多重共线性(VIF = 7.05),被排除在进一步分析之外。其余临床特征进行多变量逻辑回归分析。
三个变量成为中/高风险分层的独立危险因素(表2)。CLT显示与风险增加显著相关(比值比(OR)= 1.622,95%置信区间(CI):1.070–2.457,p = 0.023)。肿瘤大小显示出较强的预测价值(OR = 1.554,95% CI:1.212–1.992,p = 0.001)。血小板与淋巴细胞比值(PLR)被确定为独立预测因子(OR = 1.602,95% CI:1.401–1.833,p = 0.004)。这三个因素被纳入后续的多模态模型开发。
超声栖息地成像分析
超声感兴趣区(ROI)使用K-means聚类算法进行超像素过分割。识别出四个不同的栖息地,并使用均匀流形近似和投影(UMAP)降维进行可视化(图2A、B,补充图S1,图3A、B)。每个栖息地代表特定的生物学特征:栖息地1(高回声区域,36.4%)对应于细胞密度低和潜在纤维化改变的区域;栖息地2(低回声异质性区域,25.2%)代表细胞密度高和增殖活跃的区域,与侵袭性肿瘤行为相关;栖息地3(等回声区域,19.0%)表明中等细胞密度伴保留的组织结构;栖息地4(复杂回声模式,19.3%)反映混合组成区域,包括潜在钙化和坏死改变。
从每个栖息地共提取635个超声影像组学特征。特征选择为栖息地1产出21个特征,栖息地2产出33个特征,栖息地3产出38个特征,栖息地4产出30个特征(补充图S2)。特征相关性矩阵见补充图S3。
对每个栖息地评估了六种机器学习算法(补充表S1)。栖息地2在所有队列中表现出优越性能。在训练集中,超声(US)-栖息地2-随机森林(RF)达到最高AUC为0.92。该性能在内部验证(AUC = 0.89)和外部验证队列(AUC = 0.80–0.92)中得以维持。基于这些结果,栖息地2被指定为高风险栖息地。栖息地2的前15个判别特征可视化于图2C。
CT栖息地成像分析
CT图像经过超体素分割和两阶段聚类,基于多尺度指数(MSI)特征分析识别出五个具有特定病理生理意义的不同栖息地亚区(图2D、E,补充图S4,图3C、D):栖息地1(23.9%)代表栖息地间交互作用中等的肿瘤核心区域;栖息地2(39.0%)表现出最高的交互复杂性,提示为生物活性最强的肿瘤区域,具有强烈的增殖和组织重塑;栖息地3(2.1%)表现出中等交互作用,代表过渡区;栖息地4(9.0%)表现出最小交互作用,对应于低代谢区域,包括坏死和纤维化区域;栖息地5(26.0%)代表具有可变强化模式的外周肿瘤区域。
提取MSI特征以构建五栖息地架构的空间交互矩阵。共衍生120个MSI特征以量化空间异质性(表3)。这些特征包括来自GLCM分析的二阶统计量、绝对栖息地体积(H1-H5)、每个栖息地的栖息地-边界交互作用、所有栖息地配对之间的栖息地间共现模式、归一化空间关系,以及用于全面肿瘤架构表征的高级纹理、形态学和信息论描述符。
提取MSI特征以构建空间交互矩阵。共衍生120个MSI特征以量化空间异质性(表3),包括栖息地体积、栖息地间交互作用、边界模式以及高级纹理和形态学描述符。使用F分数排序(阈值>1.0)进行特征选择,识别出37个具有判别力的MSI特征(补充图S5)。前15个MSI特征可视化于图2F。
在所选MSI特征上评估了六种机器学习算法。CT-栖息地模型在验证队列中表现出稳健的性能(图4F–J,补充表S1)。CT-栖息地-GBM在训练集中取得了最高性能(AUC=0.93),并在验证队列中保持了一致的结果(AUC=0.88–0.92)。
多模态融合模型开发
通过整合临床特征(CLT、肿瘤大小)、免疫学标志物(PLR)、超声Habitat 2影像组学特征和CT衍生MSI特征,构建了综合多模态模型。在所有验证队列中评估了三种融合策略。
性能评估见补充表S2和图4K–O。早期融合表现出稳健的性能,early_fusion_SVM在训练集中的AUC达到0.97。晚期融合策略因聚合方法不同而表现出可变性能,late_fusion_SVM_average和late_fusion_SVM_weighted的AUC值达到0.97。集成融合方法表现出更优性能,ensemble_fusion_VotingClassifier_soft在训练中AUC达到0.98,并在各验证队列中保持一致的性能。
模型性能比较与最佳模型选择
选择九种高性能模型进行综合比较。单模态模型包括US-habitat 2-RF、US-habitat 2-GBM、CT-habitat-RF和CT-habitat-GBM。多模态方法包括Ensemble fusion Voting Classifier soft、Early fusion SVM、Late fusion SVM average、Late fusion SVM weighted和Late fusion GBM average。
所有验证队列的性能指标见表4。受试者工作特征分析和决策曲线分析揭示了模型之间的显著差异(图4P–T)。单模态模型表现出中等性能,各验证集的AUC值范围为0.80至0.93。多模态融合策略表现出更优性能。
Ensemble fusion Voting Classifier soft成为最佳模型。该方法达到了最高的AUC值:训练集为0.98,内部验证集为0.95,外部验证队列为0.95–0.99。该模型保持了极佳的一致性,在所有验证集中的准确率均超过0.88。Brier评分表明校准优良,各队列范围为0.06至0.12。决策曲线分析证实了在全部阈值概率范围内具有显著的临床获益,验证了其用于风险分层的临床实用性。
模型可解释性与临床实施
采用SHAP(SHapley Additive exPlanations)分析为最优集成融合投票分类器软模型提供全面的可解释性(图5)。全局特征重要性分析显示多模态特征的贡献较为均衡,其中MSI_Feature_11(CT)的重要性评分最高(0.050),其次是gabor_angle_158_freq_3(超声),为0.044。排名靠前的预测因子展示了跨成像模态的有效整合,包括CT栖息地特征(Habitat_P80)、超声纹理特征(glcm_d1_a90_energy)和免疫学标志物(PLR)。
决策图分析显示了基于累积SHAP值的风险类别之间的清晰分离(图5C)。通过代表性高风险和低风险病例的SHAP瀑布图展示了单个患者的可解释性(图5D、E)。高风险患者显示增强的MSI特征和特定栖息地特征的正向贡献,而低风险患者则表现出相反的特征模式。
使用Streamlit框架开发了一个基于网络的临床实施系统(图6)。该交互平台通过自动化图像上传和处理实现实时风险分层。用户可以输入临床参数并上传超声和CT图像以进行即时风险评估。系统提供综合风险评分、风险分层和临床建议。示例输出展示了对低风险(22.5%概率)和中等风险(87.5%概率)患者的成功分层,促进了临床决策。
讨论
本研究利用栖息地成像结合多模态分析,开发了一种新型的甲状腺乳头状癌(PTC)术前风险分层模型。我们的方法成功整合了CT衍生的MSI特征、超声栖息地特征、临床参数和免疫学标志物,以识别可能受益于主动监测而非立即手术干预的低风险患者。
既往研究已探索了影像组学在甲状腺癌中的应用,但绝大多数集中于传统机器学习结合影像组学特征提取或深度学习方法进行直接图像分析[6, 7]。近期进展主要集中于诊断分类而非术前风险分层[8–10]。Yu等[11]构建了迁移学习影像组学模型用于预测PTC淋巴结转移。值得注意的是,专门针对甲状腺癌风险分层的栖息地成像研究极为罕见,仅有有限研究,如Tang等[11]探索了基于单模态超声的栖息地影像组学模型用于预测淋巴结转移。为确立我们方法的临床意义,我们系统地将我们的栖息地成像方法与已建立的术前风险分层模型进行了比较。Li等[5]利用多维机器学习(临床、免疫学、遗传学和蛋白质组学特征)开发了PRAC-PTC,获得AUC值0.787–0.799,准确率84.4%。Liu等[12]报道了一种整合超声和细胞学图像的放射病理组学模型,获得AUC值0.886–0.828。在我们的研究中,单模态模型在验证队列中的AUC范围为0.80–0.93(超声栖息地:0.80–0.92;CT栖息地:0.88–0.92)。相比之下,我们的最优集成融合模型达到AUC 0.95–0.99,较单模态方法提高6–19%,较已发表的多模态模型提高12–27%。这一显著的性能提升,加之在所有验证队列中准确率 consistently 超过88%,证明了多模态栖息地整合在提高术前风险预测准确性方面的临床价值。我们的栖息地成像方法通过提供完全基于术前数据的综合风险评估来解决这些局限性,为术前PTC风险分层建立了新的基准,显著优于现有方法。
栖息地成像框架与传统的全肿瘤分析有根本不同,其聚焦于基于空间异质性的肿瘤表征。我们的方法识别了具有不同影像学特征的肿瘤亚区域,每个栖息地代表特定的病理生理状态,包括不同程度的细胞密度、血管化、坏死和代谢活性[13]。CT衍生的栖息地主要基于X射线衰减特性捕获结构变异和密度差异[14],而超声栖息地通过声波在生物组织中的行为反映声学特性和微血管模式[15]。CT衍生的MSI特征、超声栖息地特征、临床参数和免疫学标志物的整合在区分低危与中/高危PTC患者方面实现了优越的预测准确性。这种多模态栖息地方法提供了增强的肿瘤异质性空间分辨率,与传统的单模态分析相比能够实现更精确的风险分层。
SHAP分析确定了我们的多模态融合模型中用于PTC侵袭性预测的最具判别力的特征。在CT衍生特征中,MSI_Feature_11具有最高的重要性,代表多尺度肿瘤栖息地异质性和空间复杂性模式,这些模式是侵袭性肿瘤生物学的特征[16],而Habitat_P80量化肿瘤亚区域内的高密度组织分布,反映细胞增殖和侵袭潜能[17]。对于超声衍生特征,gabor_angle_158_freq_3捕获代表组织架构破坏的定向纹理梯度,而glcm_d1_a90_energy测量纹理均匀性,其值降低表明肿瘤异质性和随机性增加,这是侵袭性行为的特征[18]。PLR代表最重要的免疫学参数。PLR升高反映全身炎症反应和免疫监视机制受损[19]。这种炎症-免疫抑制状态促进肿瘤进展和转移潜能[20]。这种多模态方法整合了空间架构、组织组织和全身炎症特征,以实现全面的侵袭性预测。
基于我们的最优融合模型筛选,我们开发了一个基于网络的预测平台,该平台整合了自动化栖息地分割和特征提取能力。该平台使临床医生能够上传影像数据并自动预测患者风险分层为低风险或中/高风险类别。对于我们的模型识别出的低风险患者,主动监测配合定期超声监测是一种适当的管理策略,可能避免不必要的手术操作和相关并发症[2, 21]。对于中/高风险患者,建议手术治疗,并根据术后病理结果考虑辅助放射性碘治疗[22, 23]。该平台特别有利于资源受限的医疗环境,包括初级保健机构和内分泌学专业知识有限的农村医院[24–26]。
本研究存在若干应予说明的局限性。回顾性设计较之前瞻性研究限制了证据强度,并引入固有的选择偏倚。栖息地分割过程需要手动勾画肿瘤,这可能引入操作者依赖性变异,并限制不同机构间的可重复性。研究人群完全由来自单一国家四家机构的中国患者组成,这对全球临床适用性构成显著限制。这种同质性民族构成可能限制对西方人群、非洲人群及其他族裔群体的外推性,其原因在于肿瘤生物学、遗传易感模式、影像学特征和临床表现方面可能存在差异。影响甲状腺乳头状癌表型的遗传和环境因素可能在不同族裔背景间存在显著差异,可能影响我们的栖息地影像模型的性能。各参与中心的成像方案存在差异,尽管进行了协调程序,技术变异性仍可能影响特征稳定性和模型性能。此外,所有参与机构均使用中国医疗系统典型的相似成像设备和方案,这可能无法反映西方医疗机构所采用的成像技术、采集参数和质量标准的多样性。这些技术和程序差异构成了国际外推性的额外障碍。影像衍生的栖息地特征与 underlying 病理过程之间的生物学相关性需要通过组织病理学研究进一步验证。我们提出一种系统性验证策略,包括对关键标志物(Ki-67、CD31、VEGF)进行免疫组化染色的相关性组织病理学分析、空间转录组学分析以绘制所识别栖息地内的基因表达谱,以及追踪治疗反应期间栖息地演变的纵向研究 [27, 28]。
未来研究应侧重于在更大规模、多中心队列中采用标准化成像方案进行前瞻性验证,以确认该方法的临床效用。在西方人群、多族裔队列和多样化医疗系统中进行外部验证,对于确立我们的栖息地影像框架的全球适用性至关重要。此外,使用深度学习方法(包括3D U-Net和基于Transformer的架构)开发和验证自动分割算法,对于消除手动勾画需求、简化常规实施的临床工作流程至关重要。与新兴生物标志物(如分子遗传学谱或循环肿瘤DNA)的整合可进一步增强预测准确性 [29, 30]。
本研究表明,栖息地成像结合多模态分析为PTC的术前风险分层提供了强大框架。所开发的融合模型使临床医生能够做出明智的术前决策并提供个体化治疗建议。
补充信息
电子补充材料
引用
- Feng JW, Zhu YL, Zhang L, et al. Habitat imaging combined with multimodal analysis for preoperative risk stratification of papillary thyroid carcinoma. Insights Imaging. 2025. PMID: 41329402. doi:10.1186/s13244-025-02145-9
- 全文:PMC12672970(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12672970/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。