基于患者水平放射组学的1?F-FDG PET/CT预测难治/复发弥漫大B细胞淋巴瘤：一项概念验证研究

本研究针对难治/复发弥漫大B细胞淋巴瘤（DLBCL）缺乏有效预测工具的临床难题，通过1?F-FDG PET/CT患者水平放射组学分析，结合机器学习算法构建预测模型。研究发现基于Naive Bayes算法的组合模型（AUC=0.73）表现最佳，并通过无监督聚类识别出3种具有显著临床差异的放射组学亚型，为DLBCL个体化治疗提供了新的影像学生物标志物。

　　

弥漫大B细胞淋巴瘤（DLBCL）作为非霍奇金淋巴瘤中最具侵袭性的亚型，虽经R-CHOP方案（包含利妥昔单抗、环磷酰胺、多柔比星、长春新碱和泼尼松）治疗，仍有10-15%患者出现难治性疾病，20-30%在初始缓解后复发。国际预后指数（IPI）虽能预测预后，却难以准确识别高风险患者。传统影像学方法如CT或MRI在评估多器官受累时存在局限，而1?F-FDG PET/CT虽能通过葡萄糖代谢特征检测淋巴结和结外受累，但其半定量参数如最大标准化摄取值（SUV_max）和总代谢肿瘤体积（MTV）仍无法充分捕捉肿瘤内部的代谢异质性。

在此背景下，研究者开展了一项基于基线1?F-FDG PET/CT的患者水平放射组学研究，旨在开发预测难治/复发DLBCL的机器学习模型，并通过无监督聚类探索疾病异质性。该研究发表于《Scientific Reports》，通过回顾性纳入132例初治DLBCL患者，采用半自动分割法提取患者水平感兴趣体积（VOI），从PET/CT图像中提取328个放射组学特征，最终通过LASSO回归筛选出8个特征构建放射组学评分（rad-score）。研究整合临床特征、常规PET参数和rad-score，采用8种机器学习算法构建预测模型，并通过非负矩阵分解（NMF）进行无监督聚类分析。

关键技术方法包括：1?F-FDG PET/CT图像采集与预处理、半自动分割法提取患者水平VOI、328个放射组学特征提取、LASSO回归特征筛选、5种机器学习算法建模（含SMOTE过采样处理）、NMF无监督聚类分析。样本来源于山西医科大学第一医院2017-2022年间的临床队列。

研究结果

患者特征

难治/复发组（RR）与非难治/复发组（NRR）在Ann Arbor分期、ECOG PS评分、IPI评分和肿块疾病方面存在显著差异（P<0.05）。RR组在D_maxVox、MTV和TLG参数上显著高于NRR组（P<0.05）。

放射组评分开发

通过LASSO回归筛选出8个放射组学特征（λ=0.0686）构建rad-score，RR组rad-score显著高于NRR组（P<0.001）。

机器学习模型性能

64个机器学习模型中，基于Naive Bayes的组合模型（含rad-score、临床和PET参数）表现最佳（AUC=0.73，准确度0.69）。临床模型和PET模型的最佳AUC分别为0.68和0.70。

放射组学亚型特征

通过NMF聚类分析识别出3个放射组学亚型（Cluster 1-3）。Cluster 1的难治/复发发生率显著更高（50% vs 24.6%/17.6%，P=0.006），且具有更高比例的晚期Ann Arbor分期、高IPI评分和肿块疾病（P<0.05）。Cluster 1在SUV_max、D_maxVox、MTV和TLG参数上均显著高于其他亚型（P<0.01）。

结论与讨论

本研究证实了患者水平放射组学分析在预测难治/复发DLBCL中的价值，rad-score联合临床-PET参数显著提升预测性能。通过无监督聚类发现的放射组学亚型反映了DLBCL的异质性，Cluster 1表现出显著的临床侵袭性和代谢活跃特征。研究局限性包括样本量较小、缺乏独立验证队列及MTV测量方法的标准化问题。未来需探索放射组学特征与分子亚型（如ABC亚型或MYC重排）的关联性。该研究为DLBCL的个体化治疗提供了基于影像学的定量工具，有望指导临床风险分层和治疗决策。