基于18F-FDG PET/CT深度学习模型与临床代谢列线图预测肺腺癌高级别模式的创新研究

本研究针对肺腺癌（LUAD）高级别模式（HGP）术前无创预测难题，北京医院团队通过构建基于18F-FDG PET/CT的深度学习（DL）模型和临床代谢（CM）列线图，实现了AUC达0.817-0.895的精准预测，为个体化治疗提供重要影像学依据。

　　

肺腺癌（LUAD）作为肺癌最常见的组织学亚型，其高级别模式（HGP）包括微乳头状、实体型等侵袭性亚型，即使少量存在也会显著恶化预后。然而，临床依赖手术或穿刺活检确认HGP存在局限性：无法手术患者难以获取完整病理，而小样本活检易漏诊。这一诊断困境催生了对无创预测技术的迫切需求。北京医院团队创新性地将人工智能技术与多模态影像结合，在《BMC Medical Imaging》发表研究，首次构建基于¹⁸F-FDG PET/CT的深度学习模型和临床代谢列线图，为HGP术前预测提供全新解决方案。

研究采用回顾性设计，纳入303例经病理确诊的LUAD患者，按7:1:2比例分为训练集、验证集和测试集。关键技术包括：（1）使用ResNet-18架构开发PET、CT及融合图像的DL模型；（2）通过后退逐步回归筛选临床（分期、CYFRA21-1）与代谢参数（SUV_mean、TLG、肿瘤大小）构建CM模型；（3）采用5折交叉验证和Grad-CAM可视化增强模型可靠性。

研究结果
患者特征：HGP阳性组（62.7%）显著关联晚期分期（III-IV期OR=7.30）、高CYFRA21-1和SUV_mean（均p<0.001），验证了代谢参数与侵袭性的生物学关联。

DL模型性能：CT-DL模型表现最优（测试集AUC=0.895），PET/CT-DL模型次之（AUC=0.882），且Grad-CAM显示模型能聚焦于肿瘤边缘等关键区域。数据增强和dropout技术（0.55比率）有效抑制了过拟合。

CM模型构建：列线图整合临床分期、CYFRA21-1、SUV_mean、TLG和肿瘤大小，测试集AUC达0.879，决策曲线证实其临床实用性阈值>10%。

模型对比：DL与CM模型无显著差异（Delong检验p>0.05），但DL模型仅依赖影像数据即达到媲美综合临床指标的性能，突显其自动化特征提取优势。

讨论与意义
该研究首次证实¹⁸F-FDG PET/CT影像组学与深度学习在HGP预测中的双重价值：一方面，CM模型揭示HGP与糖代谢亢进（如SUV_mean升高）的分子机制相符；另一方面，DL模型通过端到端学习规避了传统放射组学繁琐的特征工程。尽管样本量限制可能影响DL模型泛化能力，但研究为精准医疗提供了重要工具——对于不可手术患者，无创预测可指导化疗/放疗策略；而可手术患者，术前风险评估有助于术式选择。未来研究可通过多中心合作扩大样本，并探索临床-DL融合模型的优化潜力。

（注：全文细节均严格依据原文，包括作者Yue Guo等署名、PET/CT扫描参数（Biograph mCT/Vereos）、统计方法（R软件v4.3.1）等未在解读中展开的技术细节。）