基于PSMA-PET/CT全身CT组分的深度学习体成分分析在前列腺癌PSMA治疗中的预后价值

本研究针对转移性去势抵抗性前列腺癌(mCRPC)患者，通过深度学习自动分割PSMA-PET/CT中的低剂量CT组分，首次实现3D体成分参数评估。研究发现内脏脂肪(VAT)、皮下脂肪(SAT)及肌间脂肪(IMAT)比例与[177Lu]Lu-PSMA放射性配体治疗(RLT)预后显著相关，其中IMAT/TAT是独立生存预测因子，为精准医疗提供新工具。

　　

研究背景
前列腺癌是全球男性第二大高发癌症，其中转移性去势抵抗性前列腺癌(mCRPC)患者预后极差。[¹⁷⁷Lu]Lu-PSMA放射性配体治疗(RLT)虽已获批，但患者筛选仍依赖PSMA-PET/CT的肿瘤受体评估，而常规CT组分未被充分利用。既往研究多局限于腰椎单层面(L3/L4)的体成分分析，且结果矛盾。德国明斯特大学医院团队提出假设：基于深度学习的全身3D体成分分析可能突破二维局限，挖掘更精准的预后标志物。

关键技术方法
研究纳入86例符合VISION试验标准的mCRPC患者，采用开源算法BOA对[⁶⁸Ga]Ga-PSMA-PET/CT低剂量CT进行全自动分割，对比3D体积与L3单层面评估。通过Cox比例风险模型和Kaplan-Meier分析，校正PSMA-PET参数(SUV_mean、肿瘤体积)及血液指标(LDH、PSA)。

研究结果

1. 体成分参数与生存关联
   3D分析显示IMAT/TAT升高(HR=1.316, p=0.015)和SAT/TAT降低(HR=0.052, p=0.038)与不良预后显著相关，而L3层面仅IMAT/TAT有意义。体积模型AIC值(195.6 vs 200.7)和C指数(0.67 vs 0.58)均优于单层面。

1. 生存分析验证
   Kaplan-Meier曲线显示，3D IMAT/TAT高值组中位生存期仅12.35个月，显著低于低值组(21.28个月, p<0.001)，而L3层面差异较小(14.84 vs 18.79个月)。

2. 多变量模型优势
   IMAT/TAT在包含PSMA-PET参数的多变量模型中仍保持独立性(p=0.023)，而传统指标如VAT和骨骼肌量无显著意义。

结论与意义
该研究首次证明深度学习驱动的全身CT体成分分析可超越传统单层面评估，揭示IMAT作为mCRPC患者RLT疗效的独立预测因子。这一发现为PSMA-PET/CT的"一机多用"提供范例，未来或可整合至治疗决策系统。局限性包括样本量较小(86例)和回顾性设计，需前瞻性多中心验证。论文发表于《European Journal of Nuclear Medicine and Molecular Imaging》，为精准核医学开辟新方向。