深度学习渐进重建(DPR)在非小细胞肺癌PET成像中的定量准确性及影像组学特征稳定性初探

《Journal of Imaging Informatics in Medicine》：A Pilot Study on Quantitative Accuracy and Radiomic Feature Stability of Deep Progressive Learning Reconstruction in NSCLC PET

来自某研究机构的研究人员针对深度学习渐进重建算法(DPR)在PET成像中定量指标和影像组学特征稳定性的影响开展研究。通过对比传统有序子集期望最大化(OSEM)与三种DPR强度重建24例非小细胞肺癌(NSCLC)患者数据，发现DPR显著提高标准化摄取值(SUV)但牺牲图像质量，仅最低强度DPR改善对比噪声比(CNR)。研究首次系统量化93个影像组学特征的稳定性(COVRF)，揭示33.3%特征稳健而40.9%特征(如glcm_Contrast)高度不稳定，为精准医学影像分析提供重要方法学依据。

　　

这项开创性研究揭开了深度学习渐进重建(Deep Progressive Learning Reconstruction, DPR)在正电子发射断层扫描(PET)成像中的双重效应。科研团队采用"头对头"比较设计，将这种新型人工智能算法与传统有序子集期望最大化(Ordered-Subset Expectation Maximization, OSEM)在24例非小细胞肺癌患者的临床数据上展开较量。

定量分析显示，DPR如同"放大镜"般显著提升了肿瘤标准化摄取值(SUV)，尤其对直径较小的病灶效果更明显。但这种"放大"需要付出代价——除最低强度级别的DPR能改善对比噪声比(CNR)外，其他强度均以牺牲图像质量为代价。更引人深思的是影像组学(Radiomics)特征的"稳定性大考"：93个特征中，31个(33.3%)展现出钢铁般的稳定性(中位COV_RF≤10%)，而38个(40.9%)特征却像"变色龙"般随算法改变剧烈波动，其中包括临床常用的灰度共生矩阵对比度(glcm_Contrast)。

这些发现为医学影像领域敲响警钟：DPR算法在提升定量检测灵敏度的同时，需要像"走钢丝"般精细调节参数平衡。更重要的是，影像组学特征的稳定性高度依赖重建算法，这要求科研人员在构建预测模型时，必须像"考古学家筛选文物"般严谨选择经得起验证的稳健特征。该研究为人工智能重建技术在精准医疗中的规范化应用提供了关键方法学路标。