综述：人工智能增强脑核医学成像

这篇综述系统阐述了人工智能（AI）尤其是机器学习（ML）和深度学习（DL）在脑核医学成像（SPECT/PET）中的革命性应用，涵盖图像分割、疾病分类、放射组学特征提取（包括高阶3/4阶特征）、伪CT衰减校正、低剂量去噪等关键技术，同时探讨了生成式AI在放射性配体设计和数字孪生等领域的潜力。

　　

人工智能重塑脑核医学成像

数据处理的智能革新
在脑核医学成像领域，深度学习（DL）通过卷积神经网络（CNN）实现了全自动、高精度的图像分割，例如U-Net架构在阿尔茨海默病¹⁸F-FDG PET研究中达到0.963的准确率。分类任务中，3D CNN对¹⁸F-Flortaucipir PET的异常检测准确率达90.8%，而变分自编码器（VAE）在轻度认知障碍鉴别中AUC达0.90。

放射组学特征提取呈现四阶进化：一阶几何特征（如SUV_max）、二阶纹理特征（如灰度共生矩阵）、三阶小波特征，以及四阶抽象特征——直接从CNN深层提取的高维特征。在帕金森病研究中，四阶放射组学的敏感性（DeepNET达0.96）显著优于传统方法。

重建技术的突破
DL直接重建技术如DeepPET通过编码器-解码器架构（图5），将PET正弦图重建速度提升108倍，同时降低11%的均方根误差。伪CT生成方面，GAN架构（图7）融合合成与分割网络，在脑PET/MRI中实现仅4%的SUV误差。低剂量去噪领域，U-Net处理1%剂量¹⁸F-Florbetaben PET数据时，结构相似性指数（SSIM）达0.97。

可持续发展的新范式
AI驱动放射性配体设计：通过药效团模型虚拟筛选，已成功发现tau蛋白病新型高亲和力配体。数字孪生技术（图9）可减少临床前动物实验，而联邦学习模型在6个中心的1109例¹⁸F-Florbetipir PET/MRI数据共享中突破隐私壁垒。

生成式AI的颠覆潜力
视觉语言模型（VLM）（图10）通过对比学习融合文本与图像特征，支持零样本学习实现跨模态知识迁移。扩散模型在¹⁸F-FDG去噪中表现优于GAN，而Transformer架构正在重建领域挑战CNN的统治地位。

商业化应用的现状
目前FDA批准的神经放射AI中仅2%兼容PET，但SubtlePET等商用算法已实现75%扫描提速。GE的Edison、西门子AIDAN等平台正将AI深度整合至工作流，而NeuroQ等软件提供标准化脑SPECT/PET定量分析。

未来展望
尽管存在算法泛化性、隐私保护等挑战，AI正在重构核脑医学的精准诊疗体系——从分子探针设计到临床决策支持，这场由算法驱动的革命将持续拓展神经退行性疾病、脑肿瘤等重大疾病的诊断边界。