基于PET/CT影像特征与深度学习的非小细胞肺癌胸膜浸润自动诊断系统研发及验证

本研究针对传统列线图临床应用效率低、误差率高的问题，开发了整合多模态分割（nnU-Net/ResU-Net）、特征自动提取和模型预测（FDM）的AI诊断系统（ADS）。通过1116例患者验证显示，该系统在内外测试集分别达到0.87和0.82的准确率，显著提升胸膜浸润（PI）诊断效率，为NSCLC术前评估提供可解释的自动化解决方案。

　　

在肺癌诊疗领域，胸膜浸润（PI）的术前准确判断直接关系到手术方案制定和预后评估，但传统诊断方法面临两大困境：依赖人工测量的列线图应用效率低下，而端到端深度学习模型又存在"黑箱"难题。这种矛盾在非小细胞肺癌（NSCLC）临床实践中尤为突出——医生既需要可解释的定量特征（如SUV_max
、CTR），又渴望自动化的工作流程。更棘手的是，现有研究显示约700篇放射组学列线图论文中，真正投入临床的寥寥无几，暴露出人工操作与复杂模型间的应用鸿沟。

来自北京大学肿瘤医院和北京大学第三医院的研究团队创新性地提出"光学滤镜"策略，通过AI诊断流程（AIDP）搭载不同特征诊断模型（FDM），开发出全自动诊断系统（ADS）。这项发表在《EJNMMI Research》的研究证实，该系统在内外测试集分别取得0.95和0.89的AUC值，诊断时间较人工缩短70%，成功实现"自动化不牺牲可解释性"的突破。

研究采用三项关键技术：基于nnU-Net（CT）和ResU-Net（PET）的病灶分割（DSC 0.85-0.89）、TotalSegmentator的肺轮廓提取、以及整合9个放射组学特征（含GLRLM RunLengthNonUniformity）与6个临床参数的堆叠集成模型。数据来自两中心1116例NSCLC患者的术前PET/CT影像，其中503例含人工标注ROI用于模型构建。

【特征诊断模型构建】
通过SHAP分析从200个放射组学特征中筛选出9个关键参数，发现SUV_max
与CT纹理特征（GLRLM RunLengthNonUniformity）最具预测价值。堆叠集成模型在内部测试集准确率达0.90，显著优于单一机器学习模型（p<0.05）。值得注意的是，补充临床特征使模型性能提升23%，证实多模态融合的必要性。

【自动诊断流程验证】
自动提取的临床参数与人工测量高度相关（r=0.80-0.96），但CTR和胸膜距离参数存在差异。这种差异源于算法对实性成分边界的敏感度，但研究者指出自动化带来的效率提升（单例处理<30秒）更具临床价值。比较实验显示，默认配置（Model 1）在外部测试集的AUC（0.89）显著优于替代方案（Model 2:0.80）。

【人机效能对比】
在10例盲测中，ADS诊断准确率（0.9）超越所有年资医师（0.6-0.7），且特征提取耗时仅为人工的1/10。时间分解显示，系统50.66%耗时用于分割（16秒），31.19%用于特征提取，印证了算法优化的合理性。

这项研究开创性地解决了列线图临床应用的两难困境：通过模块化设计，AIDP如同"光学装置"可搭载不同FDM"滤镜"，既能保持放射组学特征的可解释性，又实现全流程自动化。特别值得注意的是，系统对SUV_max
和纹理特征的重视与临床认知高度吻合——前者反映肿瘤代谢活性，后者表征异质性，二者协同提升了PI预测的生物合理性。尽管在CTR等参数提取上存在局限，但研究者提出的多中心验证计划（含实时自适应校正）将进一步完善系统鲁棒性。这项技术不仅适用于NSCLC的PI评估，其"即插即用"架构更为其他影像诊断场景提供了可推广的范式，标志着人工智能从替代人工到增强临床决策的重要转变。