目的本研究试bone biomechanics图将甲状腺乳头状癌(papillary thyroid carcinoma,PTCNSC 127716细胞培养)原发灶的二维超声图像和颈部增强CT图像进行多模态联合,研究深度学习在乳头状癌中央区颈部淋巴结转移(cervical lymph node metastasis,CLNM)上的预测价值。方法研究数据来源自2018年8月到2021年8月浙江省肿瘤医院医院PACS系统,选出由术后常规病理证实为PTC且同时具有清扫区域淋巴结病理信息的患者。收集患者临床资料(包括年龄、性别、结节位置、结节大小、超声特征、病理结果等)以及相应的术前超声及颈部增强CT图像。以ResUNet为骨干网络,鉴于超声对甲状腺结节的纹理具有更高的分辨率而CT则能更好的显示结节与周围组织的关系,尝试将超声图像中结节纹理与CT图像中结节与周围组织关系进行特征融合用于预测中央区CLNM。结果术前超声Nirogacestat抑制剂医生诊断中央区CLNM的准确率为0.590(482/817),敏感性为0.296(128/432),特异性为 0.919(354/385)。CT单模态的曲线下面积(area underthe curve,AUC)为 0.795(95%CI:0.700-0.870),准确率为 0.802,敏感性为 0.917,特异性为0.688,精确率为0.746,F1分数为0.822。超声单模态的AUC为0.866(95%CI:0.782-0.927),准确率为0.781,敏感性为0.854,特异性为0.708,精确率为0.745,F1分数为0.796。超声联合CT多模态的AUC为0.870(95%CI:0.786-0.930),准确率为0.823,敏感性为0.833,特异性为0.813,精确率为0.816,F1分数为0.823。结论本研究通过将PTC原发灶的超声及CT图像进行特征融合,构建了一个超声联合CT多模态深度学习模型,该模型的预测效能相较单独超声或单独CT有所提升,具有较高的敏感性,但特异性相较超声医生略显不足。该模型或可用于中央区CLNM的初步筛查,有助于协助医生提高CLNM术前诊断的准确率,有助于对PTC患者进行合理的术前风险分层,以减少不必要的手术和过度的淋巴结清扫,但仍有待于进一步的外部数据集验证。