基于纹理和代谢先验知识的全局-局部特征融合模型在正电子发射断层扫描/计算机断层扫描（PET/CT）前列腺癌骨转移诊断中的应用

《Engineering Applications of Artificial Intelligence》：Application of global–local feature fusion model based on prior knowledge of texture and metabolism in positron emission tomography/computed tomography prostate cancer bone metastasis diagnosis

　　摘要
前列腺癌是男性最常见的癌症之一，而前列腺癌骨骼转移是导致患者死亡的主要原因。氟-18-前列腺特异性膜抗原-1007正电子发射断层扫描/计算机断层扫描（18F-PSMA-1007 PET/CT）是一种对前列腺癌高度敏感的检查方法。然而， manually distinguishing prostate cancer bone metastasis is tedious and time-consuming. 为了解决这个问题，我们基于核医学中诊断前列腺癌骨转移的先前知识，提出了一种结合全局和局部特征的融合模型，用于18F-PSMA-1007 PET/CT中前列腺癌骨转移的分类。所提出的基于骨骼对称性的预处理方法用于提取局部特征，并确定可疑病变区域是否存在纹理、结构或代谢变化。全身代谢和位置预处理方法用于提取全局特征，提供可疑病变区域的全身代谢信息和相对位置信息。最后，我们使用双编码器网络融合全局和局部信息以获得分类结果。实验表明，所提出的模型优于其他比较模型，并且可以达到中级核医学医生的水平。此外，我们还分析了这些先前知识对模型分类的重要性。我们比较了在临床实践中容易与前列腺癌骨转移混淆的非特异性骨病变，分析了两种标准摄取值之间的差异，并将其与核医学中的诊断方法进行了比较。上述结果表明，所提出的模型具有潜在的临床应用价值。

引言
前列腺癌是男性最常见的癌症之一（Sung et al., 2021）。前列腺癌细胞发展出具有临床意义的骨转移的倾向已经得到了广泛研究，这是前列腺癌患者发病率和死亡率的主要原因（DiNatale and Fatatis, 2019）。研究表明（Mohseninia et al., 2024），大约90%死于前列腺癌的患者被诊断出骨转移。由于前列腺癌骨转移（PCBM）通常是多发的，因此侵入性病理检查通常不是首选方法。放射成像检查可以无创地提供有关身体纹理和代谢的信息。因此，PCBM通常通过放射成像检查来诊断（Seifert et al., 2023b）。许多计算机辅助诊断方法基于放射成像检查，包括骨扫描（BS）（Han et al., 2022）、计算机断层扫描（CT）（Masoudi et al., 2021）和磁共振成像（MRI）（Liu et al., 2021）。尽管这些放射成像检查都可以用于检测PCBM，但使用前列腺特异性膜抗原（PSMA）正电子发射计算机断层扫描/计算机断层扫描（PET/CT）的检测效率高于传统检查方法（Hofman et al., 2020, Awiwi et al., 2023）。在超过80%的前列腺癌骨转移病例中，肿瘤细胞主要为成骨型。成骨性病变内的肿瘤细胞密度较低。氟脱氧葡萄糖（FDG）反映糖酵解活性，分化良好或成骨型的转移灶通常表现出低葡萄糖代谢，导致摄取不足。与更常用的FDG PET相比，PSMA PET不受成骨型或溶骨型的限制，具有更高的敏感性（Yu et al., 2023）。图1(a)和(b)展示了PCBM在FDG PET和18F-PSMA-1007 PET上的成像结果。与68Ga-PSMA-11 PET相比，18F-PSMA-1007 PET具有更高的敏感性，但也具有更高的非特异性骨摄取，可能导致某些非特异性骨病变的过度治疗（Shen et al., 2025, Rizzo et al., 2024, Seifert et al., 2023b）。图1(c)和(d)展示了PCBM和非特异性骨病变（NSBL）在18F-PSMA-1007 PET上的成像结果。根据图1，尽管18F-PSMA-1007 PET在检测PCBM方面具有高敏感性，但它也会导致非特异性骨摄取的假阳性率较高。同时，作为一种新型示踪剂，关于使用计算机辅助诊断技术对PSMA PET/CT中的前列腺癌骨转移进行分类的研究较少。目前，从计算机辅助诊断的角度分析容易与前列腺癌骨转移混淆的非特异性骨病变的研究也很少，这对临床工作非常重要。此外，大多数现有研究采用通用的深度学习或放射组学技术进行分类，没有充分利用PSMA PET/CT中前列腺癌骨转移的重要先前知识。前列腺癌分子成像标准化评估（PROMISE）（Eiber et al., 2018）为前列腺癌骨转移的临床试验和诊断提供了一个标准化的报告框架。根据PROMISE，我们可以将前列腺癌骨转移的放射成像诊断过程大致分为两个步骤。第一步是观察CT图像中可疑病变区域是否存在纹理或结构变化。第二步是根据患者骨骼中的高代谢区域数量和可疑病变区域的标准摄取值（SUV）进一步判断。此外，研究（Grünig et al., 2021）提出非特异性骨病变的概率也与骨骼的位置有关。因此，我们结合了上述三种先前知识，提出了一种基于纹理和代谢先前知识的全球-局部特征融合模型（GLFM），用于18F-PSMA-1007 PET/CT中前列腺癌骨转移的分类。首先，我们从中国医科大学第一附属医院核医学科收集并组织了97名患者的数据集。数据集分为两类：非特异性骨病变和前列腺癌骨转移病变。所有入选患者的病变区域在PET图像中都是高代谢的。此外，我们提出了两种预处理方法，包括基于骨骼对称性的预处理方法（BSPM）用于提取局部特征，以及全身代谢和位置预处理方法（MPPM）用于提取全局特征。对于第一和第二种先前知识，我们使用BSPM获取可疑病变区域及其对称区域。通过比较可疑病变区域及其对称区域，可以确定可疑病变区域的纹理、结构和代谢是否发生了变化。对于第二和第三种先前知识，我们使用MPPM获取全身代谢信息和可疑病变区域的相对位置信息。最后，我们对全局和局部信息进行编码和融合，以获得预测结果。实验结果表明，GLFM的分类效率可以接近中级核医学医生的水平。此外，我们还分析了不同先前知识对模型分类的重要性。我们还结合临床研究分析了PET图像中非特异性骨病变和前列腺癌骨转移的最大摄取值和分布区间，为临床和影像诊断提供了更多辅助信息。

主要贡献如下：
(1) 我们收集并组织了包含97名患者的数据集。
(2) 我们设计了一种基于骨骼对称性的预处理方法来提取局部特征。这种方法适用于许多骨图像病变识别任务。
(3) 我们设计了一种全身代谢和位置预处理方法来提取全局特征。这种方法可以获取可疑病变的全身代谢信息和相对位置信息。
(4) 我们开发了一种深度学习辅助诊断模型，用于前列腺癌骨转移的诊断，可以有效识别前列腺癌骨转移，并接近中级核医学医生的水平。
(5) 我们讨论了前列腺癌骨转移与非特异性骨病变在影像学上的差异，并与临床相关研究进行了比较。

章节片段
前列腺癌骨转移的临床影像特征
骨是实体瘤转移的第三大常见部位（Dong et al., 2024），前列腺癌是其主要原发来源。在晚期疾病中，骨受累的累积发生率高达75%（Macedo et al., 2017）。
结构成像。计算机断层扫描提供了骨骼和软组织之间的良好对比度，能够清晰显示溶骨或硬化变化以及伴随的软组织肿块（Carrino et al., 2024, Debs et al., 2024）。然而，单独使用CT可能会遗漏...

数据集
我们的数据集来自中国医科大学第一附属医院的核医学科。我们收集了138名在PET最大强度投影图像中具有清晰可见性的患者（Seifert et al., 2023b），并排除了41名在PSMA-1007 PET/CT中具有弥漫性不可计数病变的患者，共计97名患者入选。该研究已获得医院机构审查委员会的伦理批准（批准编号AF-SOP-07-1.1-01）。

实验设置
数据集划分。我们将训练集、验证集和测试集的比例设置为5:2:3。训练集包含48名患者、206个病变和92个阳性病变，验证集包含19名患者、74个病变和34个阳性病变，测试集包含30名患者、116个病变和49个阳性病变。

超参数设置
我们使用交叉熵损失函数和Adam优化器（Kingma and Ba, 2015）。我们将学习率设置为0.0001，训练周期数为...

模型误分类分析
为了提高临床应用的效率，我们分析了模型误分类的样本，并发现它们可以大致分为两类。第一类误分类样本的??????????????值范围从0.6203到6.6923。根据研究（Arnfield et al., 2021, Hong et al., 2020），由于炎症引起的典型骨退化区域的??????????????值通常在7到9之间，而大多数UBB样本的??????????????值低于7...

结论
在这项研究中，我们提出了一种基于纹理和代谢先前知识的全球-局部特征融合模型，用于分类18F-PSMA-1007 PET/CT前列腺癌骨转移。与其他比较方法相比，所提出的模型取得了最佳的分类结果。我们进一步分析了不同比较方法的优点和缺点。视觉注意力热图清楚地显示了模型关注的区域。不同先前知识重要性的分析...

CRediT作者贡献声明
Tong Guoyu：撰写——原始草稿、可视化、验证、软件、方法论、数据管理、概念化。
Du Bulin：方法论、数据管理、概念化。
Jiang Huiyan：撰写——审阅与编辑、项目管理、方法论。
Wang Tianyu：数据管理。
Liu Yuhang：数据管理。
Li Yaming：撰写——审阅与编辑、项目管理。
Li Xuena：撰写——审阅与编辑、监督。

利益冲突声明
作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢
本研究得到了国家自然科学基金（项目编号62506240）和辽宁省自然科学基金（项目编号2021-YGJC-07和2025-BS-0310）的支持。

Guoyu Tong | Bulin Du | Huiyan Jiang | Tianyu Wang | Yuhang Liu | Yaming Li | Xuena Li
软件学院，东北大学，沈阳110819，中国