基于深度学习[18F]-FDG-PET/CT的算法，用于评估接受免疫治疗的转移性黑色素瘤患者的肿瘤负荷

《Clinical and Translational Radiation Oncology》：Deep learning [18F]-FDG-PET/CT?based algorithm for tumor burden estimation in metastatic melanoma patients under immunotherapy

人工智能力肿瘤负荷估算的应用研究及分析。该研究评估了Siemens Healthineers开发的PARS模型在晚期黑色素瘤患者PET/CT图像中的性能，包括病灶检测、分割和总肿瘤负荷（TB）估算。结果显示PARS总体敏感度68.9%，特异性46.8%，肺部病灶表现最佳（特异性74%），骨骼病灶最低（特异性32.9%）。TB估算存在显著个体差异，患者平均低估1.1cc，但总估算高估28.3%。研究指出需通过多模态数据整合、改进分割算法和自适应学习提升模型准确性。

　　在医学影像分析和肿瘤治疗领域，人工智能（AI）技术的应用正逐步拓展。特别是在放射肿瘤学中，AI被广泛用于器官风险（OAR）识别、肿瘤轮廓勾画、治疗计划制定以及治疗反应评估等多个方面。然而，尽管AI在这些领域的应用取得了显著进展，其在肿瘤负担（TB）估计方面的应用仍相对有限。本研究旨在评估一种基于正电子发射断层扫描/计算机断层扫描（PET/CT）图像的深度学习模型——PET-Assisted Reporting System（“PARS”，由西门子医疗提供）——在进行转移性黑色素瘤患者肿瘤检测、分割和肿瘤负担估计方面的性能表现。

### 人工智能在放射肿瘤学中的应用潜力

近年来，AI在放射肿瘤学中的应用日益广泛，其在提高工作效率、减少人为误差和增强诊断准确性方面展现出巨大潜力。例如，在器官风险识别和肿瘤轮廓勾画方面，AI技术能够显著减少医生的工作负担，同时提高图像分析的精确度。此外，AI在制定放射治疗计划和评估治疗反应方面的应用也得到了广泛研究。这些进展为临床实践带来了变革性的提升，使医生能够更快地做出决策，提高治疗效果。

然而，AI在肿瘤负担估计方面的应用仍处于初步阶段。肿瘤负担的准确评估对于治疗方案的制定和疗效监测至关重要。传统的肿瘤负担评估方法依赖于医生手动勾画肿瘤区域，不仅耗时，而且容易受到主观因素的影响。因此，开发一种能够自动、准确地进行肿瘤负担估计的AI工具，对于改善患者治疗效果具有重要意义。

### PARS模型的性能评估

本研究采用了一种基于PET/CT图像的深度学习模型——PARS，对165名接受免疫治疗的转移性黑色素瘤患者进行了肿瘤检测、分割和肿瘤负担估计。研究结果表明，PARS在肿瘤检测方面表现出一定的准确性，其整体召回率（敏感度）为68.9%，但精确度仅为46.8%。这表明，虽然PARS能够识别大部分真实的肿瘤病灶，但其在区分真实病灶与假阳性结果方面仍存在局限。

进一步分析显示，PARS在不同解剖部位的性能存在显著差异。其中，肺部肿瘤的精确度最高（74.0%），而骨骼部位的肿瘤精确度最低（32.9%）。尽管骨骼部位肿瘤的召回率相对较高（74.5%），但其假阳性率仍然较高，说明模型在骨骼肿瘤的识别上存在较大的不确定性。肝脏和淋巴结部位的肿瘤召回率分别为81.9%和71.0%，但精确度分别为43.8%和47.8%。这一结果表明，PARS在肝脏肿瘤的识别上表现优于其他部位，但其在肺部肿瘤的精确度上仍有提升空间。

在个体肿瘤体积估计方面，PARS的平均绝对相对误差（MARPD）为68.6%，说明其在估计肿瘤体积时存在较大的偏差。然而，对于同时被PARS和专家识别的肿瘤病灶，其平均相对体积误差（MRPD）为-34.3%，表明在大多数情况下，PARS能够较为准确地估计肿瘤体积，但仍有改进的余地。此外，PARS在总肿瘤负担估计方面的精确度较低，整体总肿瘤负担被高估了28.3%，而个体患者层面的总肿瘤负担则平均被低估了1.1 cc（MRPD = -18.4%），这提示模型在评估总体肿瘤负担时的可靠性有限。

### 研究方法与数据来源

本研究采用回顾性设计，对165名接受免疫治疗的转移性黑色素瘤患者进行了分析。所有患者均接受了基于[¹⁸F]-氟脱氧葡萄糖（FDG）的PET/CT扫描，用于评估肿瘤的分布和代谢情况。研究团队通过对比PARS自动分割的结果与两名放射肿瘤学专家手动勾画的肿瘤区域，对模型的性能进行了评估。

在分割过程中，PARS通过识别标准摄取值（SUV）峰值高于血液池摄取值（SUVBP）两个标准差的PET区域，来进行肿瘤分割。对于分割出的病灶，模型将其分类为“良性”（概率值<0.5）或“可疑”（概率值≥0.5）。本研究主要关注“可疑”病灶的分割效果，并未对“良性”病灶进行详细分析。

为了评估模型的性能，研究团队采用了多种统计指标，包括精确度、召回率、中位数差异、中位数绝对差异（MAD）、中位数相对百分比差异（MRPD）以及中位数绝对相对百分比差异（MARPD），同时计算了组内相关系数（ICC）以衡量不同方法之间的吻合程度。这些指标帮助研究者全面了解PARS在肿瘤检测、分割和肿瘤负担估计方面的表现。

### 临床意义与未来发展方向

尽管PARS在肿瘤检测和个体肿瘤体积估计方面表现出一定的准确性，但其在总肿瘤负担估计上的表现仍有待提升。这提示，在临床应用中，PARS可能需要结合其他方法或工具，以提高总肿瘤负担评估的可靠性。此外，研究结果还表明，模型在不同解剖部位的表现存在显著差异，这可能与不同部位肿瘤的生物学特性、影像特征以及周围组织的复杂性有关。

为了改善PARS的性能，研究者提出了多个潜在的优化方向。首先，可以通过扩大训练数据集，涵盖更多不同类型的肿瘤、大小和解剖位置，以提高模型的泛化能力。其次，可以考虑结合多种影像模态，如将PET图像与磁共振成像（MRI）或增强CT图像相结合，以提供更丰富的解剖和代谢信息，从而减少假阳性结果。此外，引入更先进的深度学习架构，如Transformer模型，可能有助于提高模型对复杂图像特征的识别能力。最后，采用主动学习策略，让模型在训练过程中不断学习医生的标注，可以进一步提高其在识别罕见或不典型肿瘤病灶方面的准确性。

### 未来研究方向与挑战

尽管PARS在肿瘤检测和分割方面表现良好，但其在肿瘤负担估计上的准确性仍需进一步提高。研究团队指出，未来的工作应着重于优化模型的分类算法，以提高其在不同解剖部位的识别能力。此外，还需要关注模型在处理小肿瘤和边界不清晰的病灶时的表现，这些病灶往往容易被高估或低估。

为了实现这一目标，研究者建议采用多模态影像输入，结合PET、CT和MRI等不同影像技术，以提高病灶识别的准确性和全面性。同时，引入更复杂的深度学习模型，如Transformer，可以帮助模型更好地捕捉图像中的长距离依赖关系，从而提高对肿瘤病灶的识别能力。此外，研究者还提出，可以利用无监督或半监督学习方法，以克服标注数据不足的问题，特别是在处理罕见或不典型的肿瘤表现时。

### 研究的局限性与展望

本研究的局限性主要体现在数据来源和样本量上。由于研究是回顾性的，并且仅在单一中心进行，因此其结果可能无法完全推广到其他医疗机构或不同人群。此外，研究团队未对不同医生之间的勾画一致性进行量化分析，这可能影响模型性能评估的客观性。

尽管存在这些局限性，本研究仍然为AI在放射肿瘤学中的应用提供了重要的参考。未来的研究应关注如何提高模型的泛化能力，使其能够适应更多样化的临床环境。同时，还需要进一步探索AI在治疗决策支持系统中的应用，例如利用AI技术预测患者的治疗反应或疾病进展，从而为临床医生提供更精准的治疗建议。

总之，PARS作为一种基于PET/CT图像的深度学习模型，在肿瘤检测和分割方面展现出一定的潜力，但其在肿瘤负担估计方面的表现仍需进一步优化。通过引入更先进的AI技术、扩大训练数据集、结合多模态影像输入以及采用主动学习策略，PARS有望在未来成为放射肿瘤学领域的重要工具，为临床医生提供更高效的治疗决策支持，最终改善患者的治疗效果和预后。