基于人工智能的PSMA PET肿瘤负荷全自动体积评估预测mCRPC患者1??Lu-PSMA治疗生存期

《European Journal of Nuclear Medicine and Molecular Imaging》：Fully automated volumetric assessment of tumor burden using artificial intelligence on 68Ga-PSMA-11 PET predicts survival after 177Lu-PSMA therapy in metastatic Castration-resistant prostate cancer

本研究针对AI自动分割工具在PET/CT影像中的预后价值尚不明确的问题，由研究人员开展基于深度学习的??Ga-PSMA-11 PET/CT肿瘤负荷量化研究。结果发现PSMATV、PSMATL和PSMATQ升高均提示生存期缩短，整合临床因素构建的列线图可实现有效风险分层（C-index=0.71），为1??Lu-PSMA治疗的mCRPC患者提供AI辅助预后评估新策略。

　　

尽管人工智能（AI）驱动的正电子发射断层扫描/计算机断层扫描（PET/CT）自动分割工具发展迅速，但其在预测生存结局方面的预后价值仍未得到充分评估。本研究旨在探讨利用AI从PSMA PET/CT中量化肿瘤负荷，对于接受镥-177（1??Lu）PSMA治疗的转移性去势抵抗性前列腺癌（mCRPC）患者的预后意义。

研究团队回顾性分析了107例连续接受1??Lu-PSMA治疗的mCRPC患者。利用深度学习算法，在基线??Ga-PSMA-11 PET/CT扫描上自动勾画出PSMA阳性病灶。从分割出的病灶中衍生出关键指标：总肿瘤体积（PSMA_TV）、总肿瘤负荷（PSMA_TL = PSMA_TV × SUV_mean）和总肿瘤商数（PSMA_TQ = PSMA_TV / SUV_mean）。通过 Cox 回归分析并结合LASSO正则化进行变量选择，构建了一个预后列线图。

单变量分析显示，较高的PSMA_TV（风险比HR 1.26）、PSMA_TL（HR 1.18）和PSMA_TQ（HR 1.29）均与较短的总生存期（OS）显著相关。一个将PSMA_TQ与化疗史、血红蛋白水平、碱性磷酸酶和前列腺特异性抗原整合在一起的预后列线图，其Bootstrap校正后的C指数为0.71（95%置信区间CI 0.64–0.78）。使用该列线图进行风险分层显示，低风险组与高风险组的总生存期存在显著差异（中位OS 30.9个月 vs. 7.9个月；HR 0.25, 95% CI 0.13–0.45, P < 0.001）。研究的局限性在于其回顾性设计。

基于AI的PSMA PET肿瘤负荷体积分析对于接受1??Lu-PSMA治疗的mCRPC患者的生存具有预后意义。将PSMA_TQ与临床因素相结合的列线图可能有助于实现个性化的风险分层，从而促进AI辅助的治疗决策。