摘要：目的近年来甲状腺癌发病率显著提高,超声和细针穿刺活检等术前检查不断完善,但仍存在诊断性手术及过度诊疗的现象。本研究旨在探讨利用生物阻抗及深度学习技术对甲状腺组织进行分类的可行性。方法为了提高分类的准确性,我们设计一套适合甲状腺组织的电阻抗测量系统,采集来自321例患者的331个离体甲状腺标本共1340项数据集。随后,建立一个基于多特征的一维卷积神经网络(one dimensional convolution neural,1D-CNN)结合长短期记忆网络(long short-term memory,LSTM)混合模型对甲状腺组织进行分类。其中80%(1072/1340)的数据用于训练,另外20%(268/1340)用于测试。采用受试者工作特征曲线(receiver operating characteristic curve,ROC)、宏平均ROC、微平均ROC及曲线下面积(area under the curve,AUC)等指标对甲状腺组织分类模型进行评价。此外,用敏感性、特异性、阳性预测值、阴性预测值和约登指数比较该分类模型与超声的诊断价值。结果甲状腺组织两分类(恶性/非恶性组织)模型的ROC-AUC=0.94,总体准确率达到91.4%。进一步建立三分类(恶性/良性/正常组织)模型,其中正常、良性和恶性组的ROC-AUC分别为0.91、0.85和0.92,微平均ROC-AUC和宏平均ROC-AUC分别为0.91和0.90。且与超声相比,甲状腺组织分类模型具有更高的特异性。结论本研究基于生物阻抗及CNN-LSTM建立的甲状腺组织分类模型具有较高的准确率和较好的稳定性,该技术有望在未来的临床应用中提供有用的补充信息,从而有助于甲状腺疾病的治疗决策和管理。