数字与模拟PET在甲状旁腺成像中的对决：PET指标比较与机器学习驱动的功能亢进病变特征分析（DIGI-PET研究）

《European Journal of Nuclear Medicine and Molecular Imaging》：Digital versus analogue PET in parathyroid imaging: comparison of PET metrics and machine learning-based characterisation of hyperfunctioning lesions (the DIGI-PET study)

来自多中心的研究团队针对甲状旁腺功能亢进症，对比了数字与模拟PET/CT的定量指标差异，并探索机器学习（ML）能否区分腺瘤（PA）与增生（PH）。研究发现数字PET对小病灶（1.32±1.39 cc vs. 2.36±2.01 cc）更敏感，且PA的SUVmax（8.58±3.70）和TBR（14.67±6.99）显著高于PH。LASSO模型以AUC 0.811实现79.7%准确率，为无创鉴别提供新工具。

　　

这项名为DIGI-PET的研究掀起了一场影像技术的巅峰对决：数字PET与模拟PET在甲状旁腺功能亢进诊断中的性能较量。科研团队从179名患者中筛选出86例，对89个经病理证实的病灶（74个腺瘤PA，15个增生PH）展开深度分析。

数字PET展现出惊人的"显微视力"，捕获的病灶代谢体积（MTV）比模拟PET小44%（1.32±1.39 cc vs. 2.36±2.01 cc，p<0.001），最大直径更是精确到毫米级（8.35±4.32 mm vs. 11.87±5.29 mm）。腺瘤组在两项关键指标上完胜增生组：最大标准化摄取值（SUV_max）高出63%（8.58±3.70 vs. 5.27±2.34），靶本比（TBR）优势达66%（14.67±6.99 vs. 8.82±5.90）。

机器学习实验室里，三种算法展开激烈角逐。LASSO模型凭借0.811的曲线下面积（AUC）摘得桂冠，准确率锁定79.7%，敏感性与特异性实现完美平衡。研究同时给出黄金分割点：SUV_max>5.89和TBR>11.5是鉴别PA的优选阈值。

这场数字革命不仅重新定义了甲状旁腺影像标准，更通过智能算法为临床决策装上"AI大脑"。未来，医生或许只需轻点鼠标，就能在手术前精准预判病灶性质，让更多患者免受不必要的探查之苦。