深度学习驱动的乳腺肿瘤切除术标本微PET-CT自动分割技术助力术中切缘评估

为解决乳腺癌保乳手术中术中切缘评估(IMA)的临床难题，Luna Maris团队开发了基于2D Residual U-Net的深度学习模型，实现微PET-CT图像中非特殊型浸润性癌的自动分割。研究在31例患者中达到84%的F1评分，与7名医师的集体判断相当，为临床决策支持系统开发奠定基础。

　　

乳腺癌保乳手术中，确保肿瘤完全切除同时保留健康组织是降低复发风险的关键。然而传统组织病理学评估需要3-5天时间，约20%患者因阳性切缘需二次手术。这一临床困境催生了术中切缘评估(IMA)技术的发展，其中基于[¹⁸F]FDG的微PET-CT标本成像因其三维可视化能力展现出独特优势。然而，人工解读存在主观性强、耗时等问题，亟需开发人工智能辅助系统。

比利时根特大学(Ghent University)和根特大学医院的研究团队创新性地将深度学习应用于该领域。他们开发的2D Residual U-Net模型在82例患者数据上进行了系统验证，相关成果发表于《npj Breast Cancer》。研究采用分层分组五折交叉验证策略，通过微PET-CT与组织病理学全切片图像(WSI)的精确配准获取金标准标签。关键技术包括：1) 使用双通道输入(SUV标准化PET和HU标准化CT)；2) 基于MONAI框架的改进U-Net架构；3) 针对非特殊型浸润癌(NST)、浸润性小叶癌(ILC)和导管原位癌(DCIS)的分阶段训练策略；4) 31例完整切除标本的临床验证队列。

模型性能验证部分显示，在肿瘤分割方面，微PET-CT双通道输入的ResU-Net达到最佳性能：DSC 0.73±0.20，PR-AUC 0.83±0.14，显著优于传统强度阈值法(p<0.001)。

可视化案例显示模型能准确识别肿瘤浸润前沿，这对切缘评估至关重要。

在临床转化价值更大的切缘状态预测环节，研究设计了创新的三维分析流程：

通过正交方向切片预测与融合，模型在31例NST病例中达到89%敏感性和91%特异性，F1评分84%，与七名医师的集体判断完全一致(p>0.05)。值得注意的是，模型在ILC和DCIS类型中表现稍逊，反映出这些亚型在微PET-CT中更复杂的成像特征。

该研究的突破性意义在于首次实现了基于深度学习的微PET-CT标本自动分析系统，其1分钟内的分析速度满足术中需求。技术层面，创新性地解决了高分辨率PET与组织病理学的跨模态配准难题；临床层面，为减少乳腺癌二次手术率提供了可靠工具。未来通过扩大ILC和DCIS样本量、开发3D分割网络，有望进一步提升模型性能。这项工作标志着人工智能辅助术中决策在乳腺外科领域迈出关键一步，为个性化精准手术提供了新范式。