基于18F-FDG PET/CT瘤内生境异质性预测高级别浆液性卵巢癌新辅助化疗早期疗效

来自国内的研究团队针对高级别浆液性卵巢癌(HGSOC)患者新辅助化疗(NACT)早期疗效预测难题，创新性采用18F-FDG PET/CT影像组学生境分析方法。通过nnU-Net自动分割肿瘤病灶，结合K-means/DBSCAN/Otsu算法划分瘤内亚区，构建的亚区模型预测效能显著优于传统模型(AUC 0.83 vs 0.71)，且与肿瘤增殖标志物Ki67显著相关，为个体化治疗决策提供了可靠影像标志物。

　　

这项开创性研究揭示了18F-氟脱氧葡萄糖(¹⁸F-FDG)正电子发射断层扫描(PET/CT)在预测高级别浆液性卵巢癌(HGSOC)治疗反应中的新价值。研究团队招募了258例接受新辅助化疗(NACT)的HGSOC患者，创新性地采用深度学习模型nnU-Net实现肿瘤自动分割(Dice系数达0.82)，并通过K-means、DBSCAN和Otsu算法精准划分瘤内代谢异质性亚区。

通过递归特征消除筛选的影像组学特征构建了三个预测模型：亚区模型、传统模型和联合模型。令人振奋的是，亚区模型在测试集中展现出卓越的预测性能(AUC 0.83)，显著优于传统模型。更值得注意的是，这些影像特征与反映肿瘤增殖活性的病理指标Ki67呈现显著相关性——既包括治疗前的基线水平(pre-Ki67)，也涵盖治疗前后变化值(ΔKi67)。

这项研究首次证实了基于PET/CT的生境分析方法能够有效预测HGSOC对NACT的早期反应，其生物学基础可能与肿瘤增殖活性密切相关。这些发现为临床医生制定个体化治疗方案提供了客观、无创的影像学生物标志物，展现了人工智能辅助诊疗在妇科肿瘤领域的广阔应用前景。