基于多尺度特征融合与注意力机制的18F-FDG PET/CT 肺癌纵隔淋巴结转移智能诊断模型构建与验证

《Animals》：Gut Microbiome Assembly and Its Consequences for Disease Susceptibility in Fish

　　

本研究旨在构建并验证一种基于多尺度特征融合与注意力机制的深度学习（DL）模型，用于18F-FDG PET/CT 图像中肺癌纵隔淋巴结转移的无创诊断。研究人员回顾性纳入接受18F-FDG PET/CT 检查并经病理证实的肺癌患者，按时间顺序划分为训练集、验证集与独立测试集。针对 PET 与 CT 双模态图像的异质性，研究人员分别提取 PET 图像的功能代谢特征与 CT 图像的解剖形态特征，通过多尺度特征融合（multi-scale feature fusion）模块实现跨模态信息整合，并引入注意力机制（attention mechanism）对淋巴结区域的显著特征进行加权增强。模型以病理结果为金标准，采用受试者工作特征曲线下面积（AUC）、灵敏度、特异度及准确率评价诊断效能，并与常规影像学判读及单一模态模型进行对比。结果显示，融合模型在独立测试集中取得了最优的诊断性能，AUC 显著高于单一模态模型及传统影像学评估（P<0.05），且在长径较小及代谢活性较低的淋巴结亚组中仍保持较好的鉴别能力。研究表明，该模型可有效整合 PET 与 CT 的互补信息，提升肺癌纵隔淋巴结转移的诊断准确性，有望为临床治疗决策提供辅助支持。

本文围绕基于¹⁸F-FDG PET/CT 的肺癌纵隔淋巴结转移智能诊断展开系统研究，主体内容可归纳为以下几个部分。

研究对象与数据构建。研究回顾性收集接受¹⁸F-FDG PET/CT 检查且经病理学证实的肺癌患者资料，以病理诊断结果作为纵隔淋巴结转移判定的金标准。纳入标准涵盖原发灶经病理确诊、完成规范 PET/CT 扫描、具备完整淋巴结病理对照信息等条件；排除标准包括图像质量不佳、临床资料不完整及既往接受过相关治疗干扰代谢评估的病例。数据按时间顺序划分为训练集、验证集与独立测试集，以避免同一患者数据在集合间泄漏，保证模型评估的客观性。图像预处理环节完成 PET 与 CT 图像配准、感兴趣区（ROI）勾画、体素间距归一化及强度标准化，并对淋巴结病灶进行标注与一致性检验。

多尺度特征融合与注意力机制模型构建。针对 PET 功能代谢信息与 CT 解剖形态信息在空间分辨率与语义层次上的差异，研究设计双分支特征提取结构，分别从 PET 与 CT 图像中提取深层语义特征。多尺度特征融合模块通过在不同层级上整合浅层细节信息与深层抽象信息，增强模型对大小不一淋巴结的感知能力；注意力机制模块对融合后的特征图进行通道与空间维度的权重分配，突出淋巴结区域的判别性特征并抑制背景干扰。网络训练采用交叉熵损失函数，结合数据增强与类别不平衡处理策略，以缓解阳性与阴性淋巴结样本比例失衡问题。

模型训练与性能评估。研究在训练集上完成参数优化，依据验证集表现确定超参数与最优模型权重，并在独立测试集上进行最终评估。评价指标包括受试者工作特征曲线下面积（AUC）、灵敏度、特异度、准确率及 F1 分数，同时绘制校准曲线与决策曲线分析（DCA）以评估模型的临床净获益。研究进一步开展对比实验，将融合模型与单一 PET 模型、单一 CT 模型及传统影像学判读结果进行比较，并通过消融实验验证多尺度特征融合模块与注意力机制模块的贡献。

亚组分析与可解释性研究。研究按淋巴结长径、最大标准化摄取值（SUV_max）水平及原发灶病理类型进行亚组分析，考察模型在不同临床情境下的稳健性，结果显示模型在长径较小及代谢活性较低的淋巴结中仍具备较好的鉴别能力。为提升模型的可解释性，研究采用类激活映射（CAM）等方法可视化模型关注区域，结果表明模型的高响应区域与淋巴结病灶位置具有较好的一致性，为模型决策提供了影像学层面的佐证。

临床价值与局限性讨论。研究结果表明，融合 PET 与 CT 互补信息的深度学习模型能够提升肺癌纵隔淋巴结转移的无创诊断准确性，有望辅助临床进行分期评估与治疗决策。同时，研究亦指出存在的局限性，包括单中心回顾性设计的样本选择偏倚、外部验证数据缺乏以及标注依赖病理对照的可得性等，提示后续需通过多中心前瞻性研究进一步验证模型的泛化能力与临床适用性。