面向 TI-RADS 甲状腺结节超声分类的可解释放射组学词典；字典版本 TU1.0
医学物理
2026-03-25 v1
摘要
基于放射组学的人工智能模型在甲状腺超声（US）上常实现强大的诊断性能，但解释性差，限制了临床信任和采纳。我们开发并验证了一个用于甲状腺结节分类的可解释放射组学特征（RF）框架，通过将定量 US 特征与甲状腺影像报告与数据系统（TI-RADS）语义词汇表建立起临床依据的放射组学词典。该词典将 TI-RADS 类别（包括构成、回声强度、形状、边缘和回声灶）映射到符合图像生物标志标准化倡议（IBSI）规范的 RF，这些特征从二维 US 图像中提取。通过专家共识定义关系，并利用 Shapley 增益解释（SHAP）进行检验。将合并三个多中心数据集，得到 5542 个结节。使用 PyRadiomics 提取 107 个 RF，并采用最小-最大缩放进行归一化。对于良恶性分类，27 种特征选择方法搭配 25 种分类器，并在 70% 数据上采用分层五折交叉验证评估，随后在剩余 30% 数据上进行测试。稳健模型选择采用综合得分衡量平均性能和在平衡准确率、精确率、召回率、F1 分数和 ROC-AUC 上的波动性。该词典使放射组学信噪比可直接以 TI-RADS 术语进行解释。最佳模型基于基于 Select-From-Model 的逻辑回归，使用 Extra-Trees，测试 ROC-AUC 为 0.941 ± 0.005。SHAP 分析显示，纹理异质性是主要的恶性信号，灰度运行长度矩阵非均匀性、强度离散度和峰度与高风险 TI-RADS 描述符相吻合。这些发现支持从 US 中实现透明且临床上有意义的甲状腺结节风险分层。
引用
@article{arxiv.2603.22692,
title = {A Clinically Anchored Radiomics Dictionary for Explainable TI-RADS-Based Thyroid Nodule Classification in Ultrasound; Dictionary Version TU1.0},
author = {Mohammad Salmanpour and Shahram Taeb and Ali Fathi Jouzdani and Mohammad Ayazi and Siavash Hosseinpour Saffarian and Mehdi Maghsudi and Ilker Hacihaliloglu and Arman Rahmim},
journal= {arXiv preprint arXiv:2603.22692},
year = {2026}
}