《European Journal of Nuclear Medicine and Molecular Imaging》：Quantitative dual-tracer PET/CT biomarkers correlate concordant lesion uptake with PSMA-RLT outcomes in mCRPC: a dual-center study
编辑推荐：
本研究针对转移性去势抵抗性前列腺癌（mCRPC）患者接受前列腺特异性膜抗原放射性配体治疗（PSMA-RLT）前疗效预测难题，通过双示踪剂[68Ga]Ga-PSMA-11与[18F]F-FDG PET/CT定量分析，开发自动化病灶融合分割流程，发现一致性病灶（PSMA+/FDG+）的SUVmean≥12.1 g/mL可显著预测治疗反应（训练集准确率95.8%，验证集84.6%），为超越二元入选标准、实现精准患者分层提供新范式。
在转移性去势抵抗性前列腺癌（metastatic castration-resistant prostate cancer, mCRPC）的治疗领域，前列腺特异性膜抗原放射性配体治疗（PSMA-RLT）已成为一颗冉冉升起的新星。然而，即便是经过PSMA PET成像筛选、理论上适合接受治疗的患者，其疗效也存在巨大差异。VISION三期临床试验揭示了一个残酷的现实：尽管所有入组患者均显示PSMA阳性，但仅有不到一半的人实现了前列腺特异性抗原（PSA）水平的大幅下降。这种“同病不同命”的现象，凸显了当前主要依赖定性影像标准进行患者筛选的局限性。临床迫切需要一种更为精细、量化的“尺子”，来更准确地预测谁将从PSMA-RLT中真正获益。
为了解决这一难题，研究人员将目光投向了双示踪剂PET成像技术。该技术如同为医生配上了一副“特制眼镜”，其中一片镜片是PSMA靶向示踪剂（如[68Ga]Ga-PSMA-11），用于观察肿瘤靶点（PSMA）的表达情况；另一片则是[18F]F-FDG，用于揭示肿瘤细胞的代谢活跃程度。理论上，那些既表达PSMA（可被药物靶向）又高度代谢活跃（可能是侵袭性强的）的肿瘤病灶——即“一致性病灶”——或许是决定治疗成败的关键战场。然而，当前的临床实践往往停留在简单的“是/否”判断上，例如，只要发现任何一个PSMA阴性但FDG阳性的“不匹配”病灶，就可能将患者排除在治疗之外。这种二元法虽然能筛掉部分明显不适合的患者，却未能充分利用双PET影像中蕴含的丰富定量信息。发表在《European Journal of Nuclear Medicine and Molecular Imaging》上的这项由Song Xue和Holger Einspieler等人完成的双中心研究，正是旨在突破这一瓶颈。他们假设，对双示踪剂PET，特别是对一致性病灶进行更精细的定量分析，能够挖掘出预测治疗反应的可靠影像学生物标志物。
为了验证这一假设，研究团队开发了一套自动化的图像融合与病灶分割流程。
该流程首先利用预训练的深度学习模型，分别在PSMA PET和FDG PET图像上独立进行肿瘤病灶分割。接着，通过刚性和可形变配准技术，将两次扫描的CT图像进行精确对齐，并将对应的PET图像转换至同一解剖空间。经过核医学医师手动审核和 refinement 后，即可在融合图像上精准定义“一致性病灶”——即在两种PET图像上体积重叠的肿瘤病灶。研究人员从三个层面提取了定量特征：每种示踪剂的所有病灶；PSMA/FDG一致性病灶；以及器官层面的病灶汇总。提取的特征包括平均标准化摄取值（SUVmean）、最大标准化摄取值（SUVmax）、分子肿瘤体积（MTV）、病灶总糖酵解（TLG）和病灶总PSMA（TLP）等。研究纳入了来自维也纳医科大学（24例）和奥格斯堡大学（13例）两个中心的37例mCRPC患者，所有患者在接受至少两个周期[177Lu]Lu-PSMA治疗前均完成了双示踪剂PET/CT检查。治疗反应根据两个周期后PSA相对于基线的变化分为疾病进展（PD）、部分缓解（PR）和完全缓解（CR）。利用维也纳队列的数据，研究团队构建了决策树分类模型，并在奥格斯堡队列中进行外部验证。SHAP分析用于识别关键预测特征。
研究结果
决策树模型性能
基于治疗前影像学特征构建的决策树分类器，在维也纳训练队列中表现出色，成功分层了24例患者中的23例，分类准确率高达95.8%。在独立的奥格斯堡验证队列中，模型依然保持了84.6%的准确率，证明了其良好的泛化能力。
关键预测性影像特征
SHAP分析揭示了最具影响力的五个影像特征，排名首位的是一致性病灶的PSMA SUVmean（SUVmean[PSMA Concordant]），即那些同时具有PSMA摄取和FDG摄取的病灶的平均PSMA摄取水平。研究发现，当患者的一致性病灶SUVmean[PSMA Concordant]值超过12.1 g/mL时，他们更有可能获得良好的治疗反应。
例如，图4展示的奥格斯堡队列中的一名完全缓解患者，其一致性病灶的SUVmean[PSMA Concordant]高达23.7 g/mL。
图5中的疾病进展患者，尽管一致性病灶体积不大，但其SUV
mean[PSMA Concordant]仅为8.5 g/mL，未能达到阈值。相关性分析进一步支持了这一发现，SUV
mean[PSMA Concordant]与PSA变化（ΔPSA）呈负相关。此外，全身PSMA指标（如SUV
mean[PSMA]）以及一致性病灶代谢肿瘤体积比值（MTV[PSMA Concordant] Ratio）也对预测有贡献。器官特异性分析还发现，骨转移灶的高SUV
max是一个不良预后因素。
结论与意义
本研究通过双中心数据验证了双示踪剂PET/CT定量生物标志物，特别是源于PSMA/FDG一致性病灶的特征，在预测mCRPC患者对PSMA-RLT反应方面的巨大潜力。研究首次系统性地将分析焦点从患者整体层面或简单的二元不匹配判断，深化至“一致性病灶”这一功能亚群，并利用自动化流程实现了精准量化。其核心结论是：一致性病灶的PSMA摄取强度（以SUVmean[PSMA Concordant]为代表）是预测疗效的关键指标。 这意味着，即使患者符合当前基于PSMA阳性表达的入选标准，其肿瘤内部“可靶向性”与“侵袭性”共存的区域（即一致性病灶）的生物学特性，最终深刻影响着治疗结局。
这项研究的重要意义在于，它为推动PSMA-RLT患者选择策略从二元化、定性化向连续化、定量化、多参数化的精准医学模式转变提供了有力的证据和方法学支持。临床医生未来或许不仅能回答“这名患者是否适合PSMA-RLT？”的二元问题，更能通过量化指标预测“这名患者有多大可能性能从PSMA-RLT中获益？”，从而实现更优化的个体化治疗决策。当然，本研究作为一项回顾性探索，其确定的阈值（如12.1 g/mL）仍需在前瞻性、大规模队列研究中进一步验证。但其开创性的分析视角和自动化流程，无疑为未来建立更智能、更精准的肿瘤治疗决策支持系统奠定了坚实的基础。
