综述：人工智能与放射组学在淋巴瘤PET/CT管理中的临床预见性

这篇综述系统阐述了人工智能(AI)辅助的PET/CT放射组学技术在淋巴瘤诊疗中的应用价值，重点探讨了18F-FDG PET/CT在疾病诊断、亚型区分、分期评估、风险分层及预后预测等方面的突破性进展，揭示了影像组学特征(如SUVmax、MTV、TLG)与肿瘤异质性、代谢特征间的深层关联，为淋巴瘤精准医疗提供了创新性决策支持工具。

　　

放射组学与人工智能的技术融合
PET/CT放射组学通过计算机辅助提取医学图像中的定量特征，结合临床数据构建预测模型。其工作流程涵盖图像标准化、病灶分割、特征提取（包括一阶直方图特征、二阶纹理特征及高阶形态特征）和模型验证。深度学习(DL)中的卷积神经网络(CNN)在自动分割和特征识别方面表现突出，显著提升了淋巴瘤病灶的检测效率。

诊断与鉴别诊断的创新应用
研究证实，基于18F-FDG摄取特征的放射组学模型可有效区分中枢神经系统淋巴瘤与胶质母细胞瘤(GBM)，其中13个关键特征组合的鉴别准确率达97%。在乳腺病变中，PETa模型（结合临床参数与SUV指标）的AUC值达0.867，显著优于传统方法。深度学习模型对淋巴瘤与肺癌的鉴别更展现出0.98的卓越AUC值。

亚型分化的精准突破
通过多实例学习结合随机森林算法，研究者对DLBCL、FL、HL和MCL四种亚型的分类准确率超过94%。肿瘤-肝脏放射组学(TLR)分析显示，HL与DLBCL的鉴别AUC高达0.95。针对Richter转化(RT)的预测，SUV_max阈值5.0的阴性预测值达90.5%，为临床早期干预提供依据。

分期与骨髓浸润评估
在骨髓浸润(BMI)检测中，基于纹理特征SkewnessH的模型灵敏度达81.8%。半自动分割技术确定cSUV_mean阈值1.3时，特异性达85.7%。值得注意的是，多层感知神经网络整合实验室数据后，BMI预测AUC提升至0.81，显著优于单一影像指标。

风险分层与治疗决策
代谢肿瘤体积(TMTV)被证实是独立预后因素：DLBCL患者中TMTV>220cm3时生存率显著降低（HR=5.6）。GOYA研究证实，基线TMTV>366cm3的DLBCL患者PFS恶化风险增加3倍。对于HL患者，TMTV联合中期PET评估可识别5年PFS仅25%的高危群体。

预后预测的多维模型
除传统SUV指标外，肿瘤播散参数(D_max)在HL中展现独特价值，阈值16.2cm时预测3年PFS的AUC为0.62。代谢异质性(MH)通过AUC-CSH曲线量化，在PMBCL患者中预测价值突出（HR=12.8）。纹理参数LZHGE被确定为DLBCL的独立预后标志物（HR=7.47）。

CAR-T治疗的影像监测
基线MTV>60mL的淋巴瘤患者接受CAR-T治疗后1年PFS仅14%，显著低于低MTV组(58%)。PET参数还能预测细胞因子释放综合征(CRS)等不良反应，为治疗安全保驾护航。

挑战与未来方向
当前面临图像标准化不足（空间分辨率变异系数达3.63）和回顾性研究偏倚等局限。通过RQS、IBSI等标准体系的建立，以及循环肿瘤DNA(ctDNA)等分子标志物的整合，未来有望实现真正的淋巴瘤精准诊疗闭环。