基于隐式引导注意力条件反事实扩散模型的PET图像弱监督异常检测：多中心、多癌种、多示踪剂研究

这篇研究提出了一种创新的弱监督PET异常检测方法IgCONDA-PET，通过注意力条件反事实扩散模型（DPM）实现仅需图像级标签的病灶检测。该方法在2652例多中心、多癌种18F-FDG PET数据中验证，显著优于传统SUVmax阈值法和GAN/自编码器方案，为临床减少人工标注依赖提供了新范式。

　　

Highlight
本研究首次将反事实扩散模型应用于弱监督PET异常检测，开发了名为IgCONDA-PET的创新框架。通过隐式引导和注意力机制（attention modules）实现多癌种病灶定位，仅需图像级标签即可生成"病变转正常"的反事实图像，最终通过差异图识别异常区域。

Diffusion modeling
扩散模型通过前向加噪和反向去噪的双过程学习数据分布。前向过程采用马尔可夫链逐步添加高斯噪声，将干净图像x₀转化为噪声版本x_T；反向过程则通过UNet预测噪声，实现从x_T到x₀的渐进式重建。

Datasets and preprocessing
研究整合6个回顾性队列共2652例PET数据，包括AutoPET挑战赛的1611例多癌种¹⁸F-FDG扫描（含淋巴瘤146例）和局部DLBCL数据集。所有图像经标准化预处理，重采样至2×2×3 mm³分辨率并强度归一化。

Test set performance and benchmarking
在内部和外部测试集上，IgCONDA-PET(011)版本在DSC、HD95、AUPRC和病灶检测灵敏度等指标全面领先。例如在HECKTOR测试集达到0.72 DSC，显著优于41% SUV_max阈值法的0.51。

Discussion
该方法通过注意力条件机制实现精准的病变定位，隐式指导策略避免了分类器依赖问题。反事实生成过程能有效保留周围正常组织的解剖结构，特别适合检测<5mm的微小病灶。

Conclusion
IgCONDA-PET为PET影像的弱监督异常检测提供了可扩展解决方案，其多中心验证结果证实了跨设备、跨癌种的泛化能力，有望推动计算机辅助诊断(CADe)系统的临床转化。