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。