【摘要】目的：利用多模态临床特征与机器学习技术，对甲状腺结节（TN）进行良恶性分类。方法：收集 2018 年 1 月—2022 年 12 月共 2  976 例 TN 患者的超声报告、疾病和人口学数据，利用基于规则的自然语言处理技术结构化超声报告特征，联合疾病和人口学信息，提取特征输入机器学习分类器，诊断 TN 良恶性，并使用 SHAP 方法解释分类模型。结果：各机器学习模型均取得优良的分类结果，平均受试者工作特征曲线下面积（AUROC）、精确率 - 召回率曲线下面积（AUPRC）、F1-score 和准确率分别为 0.949、0.724、43.69% 和89.49%，超声文本特征对分类的影响最大。结论：融合多模态特征有助于提高 TN 的良恶性分类性能。

【关键词】超声；甲状腺结节；良恶性；机器学习；多模态特征