基于[18F] FDG PET/CT和堆叠模型预测弥漫性大B细胞淋巴瘤中的双重表达淋巴瘤

《Academic Radiology》：Prediction of Double-Expressor Lymphoma in Diffuse Large B-Cell Lymphoma Using a Non-invasive Model Based on [18F] FDG PET/CT and Stacking

　　

研究目的与目标

开发和验证一种可解释的多模态模型，该模型将基于基线[¹⁸F] FDG PET/CT的深度学习影像组学与临床数据相结合，用于无创识别弥漫大B细胞淋巴瘤（DLBCL）中的双重表达淋巴瘤（DEL）。

材料与方法

DLBCL诊断和DEL亚型分型的组织病理学参考标准为根据2016年WHO标准的免疫组织化学检测。回顾性纳入2019年1月至2025年7月的患者，按7：3随机分为训练集和测试集，并进行患者水平分析。提取临床、影像组学和深度学习特征。经LASSO筛选后，构建单一模型和融合模型。统计分析使用Python（3.6）进行，p值<0.05被认为具有统计学意义。通过受试者工作特征曲线（ROC）、校准曲线和决策曲线分析（DCA）评估模型性能。使用SHAP和列线图进行模型解释。

结果

共纳入143例患者（男性82例，女性61例，中位年龄61.5岁）。ViT_KNN模型的测试集AUC为0.936（95%CI 0.856–1.000），优于临床模型（AUC 0.857，95%CI 0.722–0.993）和影像组学模型（AUC 0.706，95%CI 0.547–0.865）。晚期融合，尤其是Stacking_LR，取得了最佳性能（AUC 0.948，95%CI 0.865–1.000，准确率95.3%，特异度100%，敏感度88.2%）。校准曲线和DCA证实了临床净获益。SHAP分析显示深度学习特征影响最大。Stacking_LR列线图提供了一种直观的临床工具。

结论

基于基线[¹⁸F] FDG PET/CT的深度学习影像组学能够有效无创识别DEL。堆叠集成策略增强了多模态融合，为DLBCL风险分层提供了高精度、可解释的工具。

章节片段

引言

弥漫大B细胞淋巴瘤（DLBCL）是最常见的非霍奇金淋巴瘤（NHL）之一，以临床表现和分子特征的异质性为特征。尽管大多数患者受益于标准R-CHOP方案（利妥昔单抗、环磷酰胺、多柔比星、长春新碱和泼尼松），但约30%的患者因分子亚型差异而出现复发或难治性疾病（1）。其中，双重表达淋巴瘤（DEL）是由c-Myc≥40%和Bcl-2≥50%定义的高风险亚型（根据免疫组织化学），与预后不良相关（2-5）。准确识别DEL对于风险分层和个体化治疗决策至关重要（6-8）。

患者招募

本回顾性研究纳入2019年1月至2025年7月在我院接受治疗前[¹⁸F] FDG PET/CT检查且经组织病理学确诊的DLBCL患者。DEL定义为IHC上c-Myc≥40%且Bcl-2≥50%（23）。患者按7：3随机分为训练集和测试集。

纳入标准：（1）确诊DLBCL且IHC完整；（2）治疗前基线[¹⁸F] FDG PET/CT检查；（3）至少一个阳性病灶（SUVmax>2.5）；（4）临床资料完整且图像质量满足分析要求。

患者特征

我们共纳入143例患者（男性82例，女性61例，中位年龄61.5岁），其中包括88例非DEL和55例DEL。训练集（n=100；非DEL=64，DEL=36）和测试集（n=43；非DEL=24，DEL=19）平衡良好，除SUVmax外无显著差异（表1）。所有分析均在患者水平进行。

代谢参数的最佳判别阈值

TMTV显示出最佳的判别性能（AUC 0.825，阈值510.21 cm3，P < 0.001），其次为TLG（AUC 0.799，P < 0.001）和SUVmax（AUC 0.637，P = 0.006）（图1）。

讨论

在DLBCL的精准诊断和治疗中，准确识别DEL亚型对于风险分层和个体化治疗至关重要（1）。在我们之前的观察中，结合TMTV、IPI和Ki-67的联合模型对DEL表现出良好的预测性能（AUC=0.867）（9），本研究在此基础上系统比较了基于临床、影像组学和深度学习特征的多种类型模型。本研究的主要优势如下：（1）系统比较了多种模型架构和融合策略，包括单一特征模型和基于不同机器学习算法的融合模型；（2）采用严格的内部验证策略，包括训练/测试集划分和超参数调优，确保模型泛化能力；（3）使用SHAP分析和列线图实现模型可解释性，为临床决策提供直观工具。

结论

总之，基于代谢参数的已验证预测价值，本研究的系统模型比较发现，深度学习特征，尤其是源自ViT的特征，在预测DEL亚型方面具有显著优势。此外，研究证明堆叠集成学习作为一种先进的模型融合策略，能够有效整合来自临床、影像组学和深度学习来源的互补信息，从而实现更优的性能。

基金资助

作者声明本研究的科研和/或发表获得了经济支持。本研究部分受辽宁省科技计划项目（重点研发计划）（2025JH2/101800060）、辽宁省科技研究计划项目（J2024Z605）和辽宁省科技计划联合计划项目（2024-BSLH-186）资助。

资助方未参与研究设计、数据收集、分析、

CRediT作者贡献声明

Qi Peng： 正式分析。Qiwen Zhong： 软件、方法论、正式分析。Wei Zheng： 监督、项目管理、基金获取。Ronghui Tian： 基金获取。Guoxu Zhang： 监督、资源、项目管理、基金获取。Jingjing Liang： 写作——审阅与编辑、写作——初稿、可视化、验证、方法论、调查、正式分析、数据管理。Guoxiu Lu： 写作——审阅与编辑、写作——初稿、

利益冲突声明

作者声明不存在可能影响本论文所述工作的已知竞争经济利益或个人关系。

Jingjing Liang|Guoxiu Lu|Qiwen Zhong|Qi Peng|Ronghui Tian|Wei Zheng|Guoxu Zhang