基于卷积神经网络的18F-FDG PET影像预测非小细胞肺癌淋巴结转移研究

日本核医学会评选的2024年Hisada奖聚焦核医学前沿：金奖研究开发了基于CNN的18F-FDG PET程序预测NSCLC淋巴结转移；银奖首次在人体验证新型TSPO示踪剂[18F]FEDAC的安全性；铜奖探索68Ga-PSMA PET/CT在肝癌诊疗中的价值；青年奖揭示了PSMA靶向配体与白蛋白结合的优化策略。这些成果为肿瘤精准诊疗提供了新工具。

　　

肺癌是全球癌症死亡的首要原因，其中非小细胞肺癌（NSCLC）占85%以上。准确判断淋巴结转移状态对治疗方案制定至关重要，但现有影像学方法存在敏感度不足、依赖医师经验等局限。正电子发射断层扫描（PET）虽能提供功能代谢信息，但传统判读方式耗时且存在主观偏差。如何通过人工智能提升诊断效率成为研究热点。

日本京都大学（Kyoto University）附属医院的研究团队在《Annals of Nuclear Medicine》发表了一项突破性研究。他们开发了基于卷积神经网络（CNN）的自动化程序，利用¹⁸F-氟脱氧葡萄糖（¹⁸F-FDG）PET的最大密度投影（MIP）图像预测NSCLC淋巴结转移。这项研究首次证实，在仅使用MIP图像的限定条件下，人工智能模型可保持诊断准确性的同时显著提升判读效率。

研究团队采用回顾性队列设计，收集了经病理证实的NSCLC患者PET/CT数据。关键技术包括：1）构建三维CNN架构处理MIP图像；2）采用五折交叉验证评估模型性能；3）通过梯度加权类激活映射（Grad-CAM）可视化决策区域。与三位核医学医师的盲法评估对比显示，CNN模型的曲线下面积（AUC）达0.82，与专家水平相当，但平均判读时间缩短60%。

主要发现

1. 1.

   诊断效能验证：在测试集158例患者中，模型敏感度78.6%、特异度76.3%，阳性预测值显著高于常规PET参数（SUV_max）。

2. 2.

   临床实用性：模型可标记高转移风险病灶区域，使医师对微小转移灶的诊断信心提升32%。

3. 3.

   技术优势：MIP图像处理使计算量减少90%，更适合临床实时应用。

这项研究为人工智能辅助肿瘤分期提供了新范式。其创新性体现在：首次证明简化图像输入（MIP）仍可保持诊断精度；开发的轻量化模型易于整合至现有工作流程；可视化工具增强了AI决策的可解释性。未来结合多模态数据和更大样本训练，有望进一步优化模型性能。研究成果对推动精准肿瘤学发展具有重要意义，为临床实践提供了高效可靠的辅助决策工具。