基于双时相18F-FDG PET/CT的3D nnU-Net模型预测肺磨玻璃结节恶性风险：新WHO分类下的精准诊疗策略

本研究针对肺磨玻璃结节（GGOs）恶性风险预测的临床难题，创新性结合双时相18F-FDG PET/CT影像与3D nnU-Net深度学习框架，构建了自动化分割与分类系统。结果显示该模型预测准确率达84.81%，显著优于传统CT模型和核医学医师诊断（AUC=0.85），为WHO新分类下GGOs的精准管理提供了智能决策工具。

　　

肺磨玻璃结节（GGOs）如同肺部影像中的"迷雾"，其恶性潜能评估一直是临床决策的痛点。随着WHO 2021新分类将原位腺癌（AIS）划归癌前病变，传统活检和单模态影像诊断面临巨大挑战——过度治疗可能导致不必要的手术创伤，而随访延迟又可能错过最佳干预时机。更棘手的是，这些结节常呈现"惰性生长"特性，长达数年的随访观察给患者带来沉重的心理负担。

中国医科大学附属第一医院核医学科的研究团队独辟蹊径，将人工智能与分子影像完美融合。他们收集了311例患者的397个GGOs（含118低风险/279高风险结节），创新性地采用双时相¹⁸F-FDG PET/CT（早期相+延迟相）数据，构建了基于3D nnU-Net架构的自动分割-分类系统。该系统通过"多数投票"机制，实现了结节恶性风险的像素级预测，最终输出令人振奋的结果：模型分割Dice系数达0.84±0.02，预测准确率（84.81%）不仅超越单模态CT模型（73.42%），更显著高于资深核医学专家（78.48%）。这项发表于《Cancer Imaging》的研究，为肺癌早诊领域树立了多模态智能分析的新标杆。

关键技术方法包括：1）回顾性分析311例双时相PET/CT数据（早期60分钟/延迟120分钟采集）；2）采用LIFEX软件半自动勾画结节ROI；3）构建3D nnU-Net框架实现端到端训练（1000 epochs）；4）通过多数投票机制将像素级分割结果转化为分类决策。

【GGOs分割与恶性风险预测】

模型在双时相PET/CT数据上展现出卓越的分割性能，高风险区域精准定位于实性成分及FDG高摄取区。如图4所示，High risk 1/2案例中高风险区域占比超阈值（>50%），而Low risk 1/2则保持低风险特征，与病理结果高度吻合。

【多模态模型性能对比】

三组模型比较揭示：双时相PET/CT模型以84.81%准确率（AUC=0.85）全面领先，其敏感性（84.91%）与特异性（84.62%）的平衡性尤为突出。延迟相PET数据的加入使模型性能产生质的飞跃，证实了糖代谢动态变化对恶性判别的关键价值。

【临床医生对比实验】

在79例测试集上，模型表现碾压各级医师：不仅总体准确率超专家6.33%，对低风险GGOs的识别特异性（84.62%）更接近"黄金标准"。这为解决临床判读一致性差的痛点提供了可靠方案。

这项研究的突破性在于：首次将双时相PET代谢信息深度整合到WHO新分类框架中，通过3D nnU-Net的像素级分析能力，实现了GGOs恶性风险的"可视化"预测。如图3所示的网络架构，通过编码器-解码器结构与跳跃连接，完美捕捉了结节的空间异质性特征。

讨论部分强调：该模型克服了传统方法的三重局限——避免有创活检的风险、解决单模态CT的密度分析盲区、弥补医师经验依赖的变异性。特别值得注意的是，延迟相PET揭示的FDG滞留效应（SUV_max从2.42升至3.03 kBq/ml/MBq/kg）为模型提供了关键的代谢动力学特征，这与恶性肿瘤的Warburg效应理论高度契合。

尽管存在单中心回顾性研究的局限性，但这项工作为肺癌早诊领域开辟了新路径：将深度学习"黑箱"转化为可解释的像素级风险图谱，使临床决策既有AI的精准性，又保留医师的最终裁决权。未来若能在多中心前瞻性研究中验证，这种双时相PET/CT智能分析模式有望改写肺结节诊疗指南。