基于孪生卷积神经网络的PSMA PET/CT病灶自动追踪技术：提升前列腺癌骨转移疗效评估的新策略

本研究针对前列腺癌骨转移患者PSMA PET/CT影像中病灶追踪的临床挑战，开发了基于孪生卷积神经网络（Siamese CNN）的自动化分析管道。通过结合病灶分割、图像配准和深度学习技术，实现了83%的病灶匹配准确率（AUC=0.91），显著提高了多病灶疗效评估效率，为克服传统人工选择病灶导致的评估偏差提供了AI解决方案。

　　

在晚期前列腺癌治疗领域，准确评估肿瘤对治疗的反应一直是个重大挑战。虽然PSMA（前列腺特异性膜抗原）PET/CT成像技术因其高灵敏度已成为检测病灶的金标准，但临床实践中却面临一个尴尬局面：患者往往全身散布着数十个骨转移灶，而医生受限于时间和精力，通常只能选择少量"代表性"病灶进行跟踪评估。这种人为选择不仅可能引入偏差，更可能掩盖不同病灶间存在的异质性反应——有些病灶可能在缩小，而另一些却在进展。

德国慕尼黑工业大学（Technical University of Munich）核医学科的Stefan P. Hein领衔的研究团队在《European Journal of Nuclear Medicine and Molecular Imaging》发表了一项创新研究。他们开发了一套基于孪生卷积神经网络（Siamese CNN）的自动化病灶追踪管道，旨在解决这一临床痛点。这项研究特别针对接受[¹⁷⁷Lu]Lu-PSMA治疗的转移性去势抵抗性前列腺癌（mCRPC）患者，这些患者通常伴有大量骨转移灶，传统评估方法难以全面覆盖。

研究人员采用了多步骤技术路线：首先使用qPSMA软件自动分割骨病灶并生成二值掩膜；接着通过SimpleElastix进行图像配准解决患者体位差异；然后开发了精细的病灶补丁提取算法，从CT、PET和分割数据中提取二维（50×50像素）和三维（50×50×5/11像素）图像补丁；最后构建了具有共享权重的孪生CNN架构，通过L₁距离层比较病灶特征，实现对病灶对应关系的分类。研究纳入了36例患者共4769个病灶的纵向数据作为验证队列。

方法学创新：突破传统评估局限
研究团队特别设计了一套病例区分算法，解决了传统基于质心提取导致的解剖位置错配问题。如图3所示，当一个大病灶在随访中分裂为多个小病灶时，简单的质心匹配会导致提取的补丁显示完全不同的解剖环境。新算法通过四种情况的层级判断，确保提取的补丁对具有可比性。

二维优于三维的意外发现
与预期相反，二维Siamese CNN（准确率83%）的表现优于三维架构。研究人员认为，这是因为病例区分算法已编码了三维空间关系，额外的三维信息反而增加了噪声。这一发现为临床应用中更高效的二维方案提供了依据。

CT数据的关键作用
在多种输入组合中，单独使用CT补丁取得了最佳效果（AUC=0.91），显著优于结合PET或分割数据的方案（p<0.05）。这表明尽管PSMA PET提供了功能信息，但CT的稳定解剖特征才是病灶追踪的更可靠依据。

临床应用表现
这套系统在识别持续存在的对应病灶上表现出色（89.3%准确率），即使面对显著形态学变化的病灶也能保持稳健。如图7展示的案例中，AI甚至纠正了核医学专家的误判。然而，系统在检测新发病灶（38.6%）和消失病灶（40.2%）方面仍有提升空间，特别是在密集分布的小病灶群中表现欠佳。

这项研究的临床意义在于首次实现了PET/CT影像中多病灶的自动化、全面化追踪，突破了传统评估的"病灶抽样"局限。通过同时分析数十个病灶的异质性变化，为精准评估治疗反应提供了新维度。技术层面上，研究证实了在医学影像分析中，并非维度越高越好，适当的信息筛选可能比复杂架构更有效。

未来改进方向包括优化新病灶检测算法、整合器官定位信息，以及拓展到其他癌症类型的PET/CT评估。虽然目前系统仍需医生监督，但其在对应病灶识别上已接近专家水平，为构建更全面的肿瘤疗效评估体系奠定了基础。这项研究也提示，在AI医疗领域，结合领域知识的算法设计往往比单纯增加数据维度更能取得突破。