综述：人工智能在肿瘤[18F]FDG PET成像中的应用：进展与未来趋势（第二部分）

这篇综述系统阐述了人工智能（AI）在[18F]FDG PET/CT肿瘤成像中的最新进展，重点探讨了机器学习（ML）、深度学习（DL）和放射组学在淋巴瘤、黑色素瘤、中枢神经系统（CNS）肿瘤及儿童肿瘤等领域的应用价值，为精准医疗提供了重要技术支撑。

　　

人工智能赋能肿瘤PET成像的新纪元

引言
人工智能（AI）技术正在深刻变革[¹⁸F]FDG PET成像领域。作为功能成像的重要工具，[¹⁸F]FDG PET在肿瘤诊断、分期和治疗监测中发挥着关键作用。现代AI技术通过自动病灶检测、精确肿瘤分割和代谢定量分析，显著提升了图像分析的准确性和效率，为个体化治疗策略提供了新可能。

霍奇金淋巴瘤的AI应用

诊断价值与肿瘤特征关联
在霍奇金淋巴瘤（HL）诊断中，AI技术展现出独特优势。基于卷积神经网络（CNN）的骨髓摄取分析系统将观察者间一致性kappa值从0.51提升至0.61。放射组学特征可有效区分经典型HL与B细胞淋巴瘤（AUC=0.87），以及HL与结节病（AUC=0.94）。值得注意的是，纹理特征如GLRLM和GLCM在亚型鉴别中表现突出。

治疗反应预测
基线PET放射组学模型对早期HL原发耐药疾病的预测AUC达0.95，显著优于传统参数如SUVmax（AUC=0.65）。特别是"HISTO_Entropy"纹理特征与德国霍奇金研究组（GHSG）分期的组合，可构建四层风险分层体系。双时相（DTP）PET参数Ki图特征的加入，使预测模型性能进一步提升至AUC 0.97。

生存预后评估
197例cHL患者的回顾性分析显示，结合临床参数和放射组学特征的模型C-index达66.3%。"Spread"（病灶间距离总和）等传播特征与3年无进展生存（PFS）显著相关（AUC=0.81）。这些发现为风险适应性治疗策略提供了新依据。

非霍奇金淋巴瘤的AI突破

诊断创新
深度学习CNN在套细胞淋巴瘤（MCL）检测中展现88%的敏感性。自动分割模型在弥漫大B细胞淋巴瘤（DLBCL）病灶识别中达到Dice相似系数（DSC）0.73。骨髓浸润检测方面，放射组学特征skewnessH显示出81.8%的敏感性和81.7%的特异性。

生存预测模型
代谢肿瘤总体积（TMTV）和代谢肿块体积（MBV）为基础的诺模图结合国际预后指数（IPI）后，预测效能显著提升（AUC从0.71增至0.83）。PET放射组学特征在DLBCL患者中展现出0.80-0.81的C-index，优于传统预后指标。

黑色素瘤的智能诊疗

病灶检测自动化
深度学习算法在全身体积测量中表现优异，中位Dice评分达0.85。自动分割系统可将病灶体积差异控制在1.2ml以内，F1评分达0.75-0.80。值得注意的是，基于CT的粗糙度特征在鉴别假性进展时展现出0.78的AUC。

生存预测
全身体积参数TMTV联合血清乳酸脱氢酶（LDH）和脑转移状态，构成了最优预后模型。随机森林模型在抗PD1治疗患者中，对总生存期（OS）和无进展生存期（PFS）的预测AUC分别达0.90和0.87。

中枢神经系统肿瘤的AI应用

病理鉴别
在区分胶质母细胞瘤和原发性CNS淋巴瘤时，多参数模型AUC高达0.97。结合[¹⁸F]FDG PET和DWI、CET1WI、T2WI的多模态模型验证集灵敏度达84%。

分子特征预测
9个PET放射组学特征可预测Ki-67≥10%（AUC=0.76）。MGMT启动子甲基化状态预测模型验证集AUC为0.86。IDH基因型预测方面，放射组学特征模型内部验证AUC达0.90。

泌尿系统肿瘤的AI探索

在肾透明细胞癌（ccRCC）研究中，WHO/ISUP分级预测模型测试集AUC达0.901。Fuhrman核分级预测中，PET放射组学模型（AUC=0.926）显著优于SUVmax模型（AUC=0.803）。前列腺癌预后模型在转移亚组中保持0.807的AUC。

儿童肿瘤的AI特色应用

剂量优化
深度学习算法可实现90%的辐射剂量降低，同时保持诊断质量（κ=0.85）。四倍降计数PET扫描中，标准化摄取值（SUV）测量保持稳定（CCC≥0.94）。

治疗反应预测
在70例骨肉瘤患者中，纹理特征模型对新辅助化疗反应的预测优于传统SUVmax方法。神经母细胞瘤研究显示，[¹⁸F]FDG PET/CT结合临床数据的ML模型可有效预测有丝分裂-核碎裂指数。

未来展望
尽管AI在[¹⁸F]FDG PET肿瘤成像中展现出巨大潜力，仍需解决标准化、可重复性等挑战。多中心合作、前瞻性验证和开源模型共享将是推动临床转化的关键。随着技术进步，人工智能有望彻底改变肿瘤影像诊断和治疗监测的范式。