基于18F-FDG PET/CT的影像组学与深度学习算法在非小细胞肺癌预后评估中的可行性

《Scientific Reports》：Feasibility of radiomics and deep learning methods for prognosis of non–small cell lung cancer using 18F-FDG PET/CT

　　摘要由于肿瘤异质性和常规PET生物标志物的局限性，非小细胞肺癌（NSCLC）的精确预后评估面临挑战。本技术可行性研究比较了影像组学与深度学习（CNN）方法在预测150名未经治疗患者1年总生存期（OS₁）方面，与SUVmax和TLG等传统生物标志物的预后性能差异。采用自动病灶分割，内部结果显示AUC在0.75至0.80之间，而外部验证最初所得AUC为0.58至0.68。经自助法子抽样后，所有模型性能均有提升，其中仅使用TLG的模型表现最佳，AUC达到0.83。研究范围受限于缺乏特征层面的协调统一以及图像质量和分割的差异。尽管简单的PET生物标志物与更复杂的架构性能相当，但它们具有稳健且临床可及的优势。总之，虽然影像组学和深度学习模型在基于PET的非小细胞肺癌预后预测中均显示出可行性，但目前影像组学模型提供了更高的稳定性和可解释性，而TLG仍是一个有效且临床实用的生物标志物。