甲状腺结节是人群中最常见的内分泌疾病,它是甲状腺内出现的甲状腺滤泡细胞或滤泡旁细胞出现增生和(或)异常分化而产生的结节和(或)肿瘤。甲状腺结节可以是恶性,也可以是良性。所有结节中,恶性结节约占7%；其中,甲状腺癌是最常见的恶性内分泌肿瘤,严重危害人类,特别是女性健康。近年来,甲状腺肿瘤的发病率明显增高,特别是在一些沿海城市,恶性肿瘤的发病率以年均4%的增幅上升,是增长速度最快的恶性肿瘤之一。不同性质的结节有不同的治疗手段,甲状腺恶性病变主要以外科手术切除病灶以及部分或全部甲状腺组织为主,放疗为辅的治疗方法,而甲状腺良性病变则可以不需手术、选择性手术或仅需要定期随访等有针对性的治疗方法,早期明确甲状腺结节的良恶性对治疗方式的选择以及患者的预后和生活质量非常有意义。所以早期明确甲状腺结节的性质,不仅可以消除患者的紧张心态,提高生活质量,改善预后,还可以防止过度医疗,造成不必要的医疗资源浪费,同时减少患者的经济负担。目前,临床上可用来评估甲状腺结节性质的方法有临床体检(触诊、听诊)、影像学方法(超声、电子计算机断层扫描、磁共振成像、放射性核素显像等)以及病理学方法(细针穿刺活检、切片活检等)。临床上诊断甲状腺结节的金标准(golden standard)是针刺细胞学活检(FNA, fine needle aspiration),是目前最为准确的方法。但是由于细针穿刺活检检查的特殊性和有创性,并不适用于大规模人群的甲状腺结节的筛查。同时,为了减少出血和病人痛苦,选择了过细穿刺针,或者采集的病理标本量不足,或者由于操作者或病变过小而导致的没有穿刺到病变部位,都会造成结果的不准确。所以,不能完全依靠细针穿刺细胞学检查的结果,要考虑到假阴性或假阳性的结果的可能性,即便细针穿刺的结果为阴性,临床上也不能完全排除恶性；同时,又因为其是有创性检查,不仅会对患者造成痛苦,还有穿刺到重要血管和神经的危险性。除了细针穿刺细胞学活检(FNA)外,超声是临床常最用的检查甲状腺的方法。由于高分辨率B超费用低、方便快捷、无创性、无辐射,并可以获得结节大小及数目等信息,所以它是临床上对甲状腺结节进行定性、评估以及随访的最常用的方法。通过超声检查可以获得甲状腺结节的大小、形态、边缘、回声、囊变和钙化等指标,但这些指标缺乏一定的衡量标准,指标的获得很大程度上取决于检查者的主观评价,这就可能导致同一个病例让不同的医生诊断会获得不同的诊断结果,造成结果的不准确性。另一方面,这些诊断指标在大部分情况下缺乏特异性,容易造成假阴性和假阳性的结果。同时,由于成像原理的原因,超声图像上包含明显的斑点和噪声,这些噪声会遮盖正常的解剖组织,造成信息的丢失。超声是一个边检查边诊断的技术,这需要对医师的知识和经验有较高的要求。而CT、MRI、放射性核素等影像学方法,由于放射性损伤、对病人危害较大、图像采集时间长及检查费用大等缺点,且诊断准确性缺乏实验验证,故并没有在临床上大规模采用。CT及MRI多用于术前观察甲状腺与气管及颈部重要血管之间的关系,而PET多用于诊断甲状腺结节是否有摄碘和分泌功能。综上所述,由于缺乏有效的在术前准确明确甲状腺结节性质的诊断方法,长期以来,大多数超声检查结果提示患有甲状腺结节的患者为了明确结节的良恶性而进行了不必要的病理诊断或手术,造成了不必要的医疗资源的浪费的同时也增加了病人的痛苦。从临床上常规进行的影像学资料中提取出更多的有意义的、同时可以辅助临床医师诊断结节良恶性的信息,用于甲状腺结节良恶性早期鉴别诊断,是非常有临床意义的。超声图像包含很多客观的有医学意义的信息,这些信息是肉眼难以发现的,而近年来出现的数据挖掘技术可以通过对图像进行数字化处理后将这些有用的图像信息以数字的形式表达出来。因此,数据挖掘技术被广泛应用于对图像的特征信息进行提取,并对其进行量化。其中,纹理特征已经应用于一些研究中。特别是灰度共生矩阵纹理特征,已有研究证明该特征值在鉴别良恶性病灶中是有意义的,是一个经典的常用的提取图像特征的方法。其提取出的特征值一般包括：方差(Variance)、能量(Energy)、对比度(Contrast)、熵(Entropy)、逆差距(Inverse Difference Moment)、惯量、相关性(Correlation)、最大概率(Maximum probability)、聚类趋势(Cluster Tendency)、和的均值(Mean)、差的均值(Difference- mean)、同质度(Homogeneity)和的熵(Sum- Entropy)、差的熵(Difference- Entropy)、这些提取出来的特征值包含了病灶在图像上的细微信息,经试验证明在鉴别病灶良恶性时是具有临床意义的,可以用于影像图像分析来辅助临床医生对疾病进行鉴别诊断。模式识别是近年来热门的研究方向之一,其主要目的是研究一种自动技术,依靠这种技术,计算机可以自动或半人工地对目标进行识别和分类。在医学研究中,模式识别的主要目的是对疾病进行预测和分类,以达到辅助临床诊断的用途。常用的模式识别模型有logistic、支持向量机、neural net、tree、random forest、boost等。采用穷举建模策略,对Lasso-logistic回归模型、分类树(Classification Trees)、Boosting树、神经网络(Neural Networks)和支持向量机(SVM))、随机森林、贝叶斯网络等多种统计模式识别方法进行对比分析,优选出适宜的疾病早期筛查(或诊断)的统计模式识别模型,是适用于临床诊断的建模方法。模型建立后,多采用交叉验证与外推预测相结合的ROC曲线法,结合灵敏度、特异度等多种参数模型评价。所以,本研究首先利用非线性的中值滤波法对超声原始图像进行去噪处理,然后利用灰度共生矩阵法提取病灶区域的灰度共生矩阵特征值。并将提取到的特征值拟合上文中提到的6种识别模型。利用10折交叉验证结合ROC曲线等多种参数如准确性、真阳性率、假阳性率、precision、recall、f-measure、AUC等来对模型的分类效果进行评价,最终选择分类效果最佳的识别模型,以提高临床医师对甲状腺结节良恶性诊断的准确度,为其提供一个客观的辅助诊断工具。结论临床上需要一种非侵入性的客观的诊断意见来对甲状腺结节的性质进行鉴别诊断。本研究利用从病灶的超声图像中提取的灰度共生矩阵特征值拟合模式识别模型来对结节的良恶性进行鉴别。结果显示,16种基于灰度共生矩阵的纹理特征值结合logistic模型分类效果最好。这表明本研究有很好的分类和预测效果。一旦该模型应用于大规模的数据库,该方法可以为临床上诊断甲状腺结节的良恶性提供一个客观的辅助诊断技术。同时本研究也为其他基于影像学的疾病鉴别模型的建立提供了新策略和新思路。创新点1)构建基于甲状腺结节超声图像信息特征提取的甲状腺结节良恶性早期鉴别诊断的统计模式识别模型,实现鉴别诊断的客观化、定量化、标准化是本研究的突出创新点。2)将灰度共生矩阵法用于B超影像数据特征提取,为B超影像信息的开发利用提供了新思路。3)采用穷举建模策略,从多种统计模式识别模型当中筛选出高效、灵敏、特异的甲状腺良恶性早期鉴别诊断模型的研究思路,为其他基于影像学的疾病鉴别模型的建立提供了新策略。不足之处1)样本数量过少2)提取图像特征值单一