综述：人工智能辅助 18F-FDG PET 影像组学在肺癌组织学亚型分类中的应用：系统综述与荟萃分析

本综述聚焦 AI 辅助影像组学在精准肿瘤学中的应用，通过系统评价和荟萃分析，评估基于 PET 的影像组学在机器学习（ML）模型对肺癌组织学亚型分类的诊断准确性，显示 ML 模型有潜力预测非小细胞肺癌组织学亚型，呼吁开展外部验证研究。

　　

人工智能辅助影像组学作为精准肿瘤学领域的新兴工具，近年诸多研究展现出良好应用前景，但能否应用于临床实践仍存争议。本研究旨在通过系统综述与荟萃分析，评估基于正电子发射断层扫描（PET）的影像组学在机器学习（ML）模型中对肺癌组织学亚型分类的诊断准确性。

研究方案已在 PROSPERO 注册（CRD42024603590）。采用 QUADAS-2 和放射组学质量评分（RQS）评估方法学质量和偏倚风险。对于荟萃分析，根据 TRIPOD 声明，从 2a 型及以上研究中提取验证数据统计量，使用随机效应模型估计总体效应量，通过 I²值评估统计异质性。

系统综述纳入 14 项研究，其中 8 项符合荟萃分析条件，所有研究均进行了内部验证。研究的平均 RQS 为 10.47±4.72。合并敏感性、特异性和诊断比值比（DOR）分别为 0.81（95% CI 0.65–0.90）、0.79（95% CI 0.75–0.83）和 22.42（95% CI 9.04–55.59）。受试者工作特征（SROC）曲线显示诊断性能良好，曲线下面积（AUC）为 0.89（95% CI 0.83–0.95）。Cochrane’s Q 检验显示荟萃分析存在显著异质性（p＜0.001）。

综上，利用¹⁸F-FDG PET 影像组学的 ML 模型具有预测非小细胞肺癌组织学亚型的潜力，而外部验证研究可为其普遍适用性提供更有力的证据。