综述：基于机器学习和深度学习的酰胺质子转移成像在恶性肿瘤诊断中的应用：系统综述

《Journal of Medical Imaging and Interventional Radiology》：Amide proton transfer imaging with machine learning and deep learning for malignant tumor diagnosis: a systematic review

本综述系统评价了酰胺质子转移（APT）成像与机器学习（ML）及深度学习（DL）结合在恶性肿瘤（尤其是胶质瘤）诊断与表征中的应用。分析表明，该联合策略在预测IDH、1p/19q、H3K27M等分子标志物（AUC：0.82-0.97）及鉴别肿瘤进展与假性进展方面展现出高精度，凸显了其作为无创、无对比剂工具的潜力，但需前瞻性多中心研究验证临床转化价值。

　　

背景

酰胺质子转移（Amide Proton Transfer, APT）成像是化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）框架下的一种先进分子磁共振成像（Magnetic Resonance Imaging, MRI）技术。它通过检测内源性蛋白质和多肽中酰胺质子与自由水之间的化学交换，无需外源性对比剂即可定量评估组织的生化环境，如细胞蛋白含量、pH值和代谢改变，为恶性肿瘤的非侵入性诊断提供了独特视角。近年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）技术的兴起，为从复杂的APT影像数据中自动提取特征、构建预测模型提供了强大工具，二者的结合显著提升了肿瘤诊断与表征的精准度。

材料与方法

本系统综述严格遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南，对五大数据库及预印本平台进行了全面检索。纳入标准聚焦于涉及恶性实体肿瘤、结合APT成像与ML/DL技术、并报告诊断或预测结局的原始研究。最终七项研究符合条件，其主要关注点为胶质瘤。研究方法学质量采用QUADAS-2（Quality Assessment of Diagnostic Accuracy Studies-2）和影像组学质量评分（Radiomics Quality Score, RQS）2.0进行评估。

结果

风险偏倚评估显示，所有研究在患者选择域均存在高偏倚风险，主要源于回顾性、单中心设计及入选标准严格等问题，影响了结果的普适性。然而，指数测试和参考标准域普遍表现出低偏倚风险。

定性综合结果表明，APT-ML/DL联合策略在胶质瘤的诊断应用中取得了卓越性能。在分子标志物预测方面，针对异柠檬酸脱氢酶（Isocitrate Dehydrogenase, IDH）突变状态、1p/19q联合缺失、组蛋白H3K27M（H3K27M）突变等关键指标，模型曲线下面积（Area Under the Curve, AUC）范围在0.82至0.97之间，表现出强大的判别能力。例如，一项研究利用具有双感知（Dual-Aware）模块的三维（3D）卷积神经网络（Convolutional Neural Network, CNN）处理APT影像，预测IDH基因型，其AUC达到0.822，准确度为0.831。另一项研究结合APT影像组学和支持向量机（Support Vector Machine, SVM），在区分脑干胶质瘤H3K27M突变状态时，准确度达88%，敏感性为92%，特异性为80%，并进行了前瞻性验证。在治疗反应评估方面，研究成功应用APT增强的CNN或影像组学模型区分真实肿瘤进展与治疗后假性进展，AUC可达0.90以上，准确度超过90%，有助于避免不必要的临床干预。所采用的ML/DL算法多样，包括基于影像组学的分类器（如LASSO回归、CHAID决策树）以及先进的CNN架构（如ResNet、带有特定注意力机制的CNN）。APT成像提供的定量生化信息，与传统的结构性MRI（如T1加权增强成像T1CE、液体衰减反转恢复FLAIR）相结合，往往能产生协同效应，获得优于单一模态的诊断性能。

讨论

APT成像与ML/DL的整合，标志着胶质瘤精准诊断领域的一个重要进展。APT技术能够敏感地捕捉肿瘤内部的分子和代谢异质性，而ML/DL方法则能高效挖掘这些隐含在影像数据中的复杂模式。这种结合使得无创预测胶质瘤关键分子标志物（如IDH突变、1p/19q共缺失状态）成为可能，这对于患者预后判断和治疗方案制定（例如，IDH突变型胶质瘤可能对特定化疗更敏感）具有重要指导意义，有望减少对侵入性活检的依赖。同时，其在准确鉴别肿瘤进展与治疗相关变化（如假性进展）方面的潜力，对于优化治疗后随访策略、避免过度治疗具有显著的临床价值。此外，APT技术无需注射钆对比剂的特性，也提升了其在肾功能不全等特定患者群体中的适用安全性。

然而，当前研究存在明显的局限性。绝大多数研究为回顾性、单中心设计，样本量有限（从 preclinical 研究的8个到大样本研究的118例患者），这限制了模型的外推性和普遍适用性。APT成像的扫描范围通常受限（例如，部分研究仅覆盖66毫米层厚），难以实现全脑评估。一些研究依赖于高场强（如7T）MRI，其临床普及度不及常见的3T设备。多数模型基于二维（2D）图像构建，可能无法充分捕捉肿瘤的三维空间异质性。此外，研究间影像采集与参考标准（如病理确认）的时间间隔差异较大，可能引入潜在偏倚。值得注意的是，现有证据高度集中于胶质瘤，APT-ML/DL技术在其他恶性肿瘤（如乳腺癌、前列腺癌）中的应用探索尚属空白。

结论

综上所述，酰胺质子转移（APT）成像与机器学习（ML）和深度学习（DL）的协同应用，为胶质瘤等恶性肿瘤的无创、精准诊断和表征开辟了富有前景的新途径。其在分子分型和治疗反应评估方面展现出的高精度，凸显了其在推进精准肿瘤学实践中的潜在价值。未来研究应着力于开展前瞻性、多中心、大样本的验证性研究，开发覆盖全脑的三维分析模型，探索与其他影像模态（如灌注加权成像、PET）的融合，并将应用范围拓展至胶质瘤以外的更多肿瘤类型，以克服当前局限，最终推动这一先进技术向临床常规应用的转化。