人工智能在淋巴瘤PET/CT分析中的应用：病灶分割、鉴别诊断与预后分层

《Holistic Integrative Oncology》：Artificial intelligence-based PET/CT analysis in lymphoma: segmentation, differential diagnosis, and prognostic stratification

　　

淋巴瘤在生物学和预后上具有高度异质性，因此基于影像的准确评估对于个体化管理至关重要。¹⁸F-氟代脱氧葡萄糖正电子发射断层扫描/计算机断层扫描（¹⁸F-FDG PET/CT）是分期、疗效评估和随访的核心手段，但手动病灶勾画和视觉判读仍耗时且存在变异性。人工智能（AI）可通过自动化量化和特征分析提高PET/CT的可重复性和临床价值。本综述总结了AI在淋巴瘤PET/CT中三个主要领域的现有证据和临床潜力：病灶分割、鉴别诊断和预后分层。研究人员综述了深度学习方法（DL），包括基于三维（3D）U-Net的架构，用于自动化病灶分割以及提取代谢肿瘤负荷生物标志物，如总代谢肿瘤体积（TMTV）和最大肿瘤播散距离（D_max）。研究人员强调了从依赖手动或半自动勾画的影像组学工作流到实现端到端自动化的DL系统的转变。研究人员还讨论了用于鉴别诊断的机器学习（ML）模型，包括骨髓受累预测、组织学亚型分类、侵袭性评估以及淋巴瘤与结节病、转移性淋巴结和特定非淋巴恶性肿瘤的区分。在预后评估方面，研究人员总结了卷积神经网络（CNN）、图神经网络（GNN）、自动机器学习（AutoML）和多模态影像组学模型，用于预测无进展生存期（PFS）、总生存期（OS）、复发风险和治疗反应。基于AI的PET/CT分析正在从手动特征工程转向自动化、可解释和多模态决策支持。通过前瞻性验证、标准化影像协议以及与临床和分子数据的整合，这些方法可能支持更精准和个体化的淋巴瘤管理。

**1 引言**
淋巴瘤是一种高度异质性的血液恶性肿瘤，可累及全身任何部位，大致分为霍奇金淋巴瘤（HL）和非霍奇金淋巴瘤（NHL）。由于不同组织学亚型及受累部位的临床表现差异较大，准确的肿瘤负荷评估和风险分层至关重要。¹⁸F-FDG PET/CT同时提供代谢和解剖信息，是淋巴瘤分期、疗效评估和随访的重要工具。然而，传统的人工勾画、阈值法、区域生长和边缘检测等方法耗时且高度依赖操作者。人工智能（AI）的引入为客观评估提供了可能。早期影像组学研究结合机器学习，可预测治疗反应和进展风险，但多数依赖手动或半自动分割。深度学习的出现，特别是卷积神经网络（CNN），实现了端到端的全自动病灶分割，并提高了总代谢肿瘤体积（TMTV）等指标的稳定性。例如，TMTV-Net和三维（3D）U-Net在多中心研究中展现出泛化能力和临床价值。在此基础上，深度学习评分（DLS）在多中心验证中显示了优于国际预后指数（IPI）的预后性能。

**2 方法**
依据PRISMA指南，在PubMed、Embase、Web of Science和IEEE Xplore中进行系统检索，结合MeSH词和自由词，检索近5年文献。初步检索得到1057篇文章，排除非原创文献和非人类研究后，全文评估644篇，最终纳入53篇。纳入标准包括：病理确诊的淋巴瘤、使用¹⁸F-FDG PET/CT、以AI算法为核心、研究目标为分割、诊断或预后评估。两名研究者独立提取数据，并经过共识解决分歧。提取的信息包括第一作者、发表年份、淋巴瘤亚型、样本量、输入数据类型、算法架构、预测终点和主要性能指标。53项研究被分为三个模块：图像分割与自动量化（22项）、鉴别诊断与病理分型（11项）、治疗反应预测和生存预后评估（24项），其中有3项研究同时涉及两个模块。

**3 分割**
肿瘤负荷的精确量化对于淋巴瘤PET评估至关重要。TMTV已广泛验证其预后价值，但全自动病灶分割仍是临床应用的瓶颈。U-Net类深度学习方法被广泛用于淋巴瘤PET/CT分割。Jiang等采用3D U-Net架构准确分割弥漫性大B细胞淋巴瘤（DLBCL）病灶。然而，小病灶分割精度不足。为改进性能，多种架构被提出：Izadi等结合U-Net和DenseNet，并使用Tversky损失函数，提高了HL小病灶分割的准确性；Wang等提出先验移位正则化网络（PSR-Net）改善类不平衡；Tie等开发了纵向感知分割网络（LAS-Net）用于儿童HL系列PET扫描；Zhu等提出十字形结构引导和边界优化的CGBS-Net，Dice系数达90.7%；Wang等提出HD-RDS-UNet，利用连续PET/CT切片间的时空相关性。多模态特征融合也受到关注，如Yuan等提出的混合学习模块用于DLBCL分割，Huang等引入门控神经网络与多尺度信息融合。TMTV-Net采用级联3D U-Net，内外部测试Dice分别达0.68和0.66。U-Net还可实现TMTV的全自动计算，且预测TMTV是独立预后指标。为减少标注依赖，Yousefirizi等结合模糊聚类损失函数和3D U-Net进行半监督学习；Leung等开发了深度半监督迁移学习；Shi等提出解剖-代谢一致性生成对抗网络（AMC-GAN）增强病灶分割。此外，Li等利用自注意力U2Net实现PET采集时间缩短50%，H?ggstr?m等用DNN区分有无高代谢肿瘤的FDG-PET扫描，AUC为0.95。

**4 诊断和鉴别**
该领域包括三个方面：预测骨髓受累（BMI）、淋巴瘤与非淋巴瘤的鉴别、以及淋巴瘤亚型分类。

**4.1 骨髓受累预测**
骨髓活检虽是金标准，但有创且存在抽样误差。Zhu等开发了可解释的机器学习模型，整合临床数据、PET/CT参数、影像组学特征和深度学习特征，在多中心验证中AUC为0.886，优于单一特征模型。SHAP分析显示PET影像组学特征、血小板计数和B症状是显著预测因子。

**4.2 亚型分类**
侵袭性和惰性淋巴瘤的治疗策略不同。由于淋巴瘤的时空异质性，穿刺活检有时难以全面反映肿瘤生物学特征。Wang等提出伪时空影像组学方法（PST-Radiomics），利用多阈值肿瘤体积序列捕获瘤内代谢异质性，改善了分类性能。UmaMaheswaran等设计了集成学习模型，结合超分辨率成像和混合特征提取，分类准确率达94.8%。Xu等开发了小样本多实例学习模型，区分侵袭性DLBCL和惰性滤泡性淋巴瘤（FL），在袋水平上AUC达0.795。

**4.3 鉴别诊断**
Aoki等利用深度CNN分析最大密度投影（MIP）图像，区分结节病和淋巴瘤，AUC达0.963。Lovinfosse等基于影像组学的机器学习模型在病灶水平和患者水平上区分结节病与淋巴瘤，AUC分别为0.94和0.85，并与医生表现相当或更优。Yang等开发了两种DL辅助诊断系统，用于区分颈部淋巴结淋巴瘤浸润和转移，其中基于ResNet50特征提取器的DL-支持向量机（SVM）模型AUC为0.901。Wang等初步研究了PET/CT代谢参数和影像组学结合机器学习区分肿块型胰腺淋巴瘤与胰腺癌，联合模型AUC达0.909。

**5 人工智能在淋巴瘤18F-FDG PET成像预后评估中的应用**
**5.1 概述**
预后评估对于淋巴瘤管理至关重要。传统工具如IPI、NCCN-IPI和Deauville评分（DS）在识别高风险患者和捕获肿瘤异质性方面存在局限。AI方法可从影像中自动提取定量参数、高通量空间纹理特征，并构建多模态预后模型，从而将预后评估从视觉半定量转向客观生物学特征。

**5.2 弥漫性大B细胞淋巴瘤**
DLBCL是该领域研究最多的亚型。影像组学模型中，Coskun等发现基线PET纹理异质性增加与一线化疗不完全反应相关；Aksu等用随机森林算法整合代谢参数预测早期进展。多时间点影像组学模型表现优异，如Cui等结合基线和治疗后PET影像组学特征，预测2年疾病进展时间（2Y-TTP）优于IPI和DS。深度学习模型中，Ferrández等用CNN评估基线PET MIP图像的2年进展风险；Jiang等的多中心研究从VGG19和DenseNet121提取DLS，外部验证稳定。Qian等提出多深度学习集成模型融合多维影像特征和临床指标。在多模态融合方面，Wang等的ClinicalPET LymphPlex模型整合PET生物标志物、临床因素和遗传亚型，提供预后分层；Chen等利用AutoML构建PET/CT深度特征；Yang等结合代谢和临床指标（如ECOG PS评分）用于老年DLBCL。Thiery等提出图神经网络（GNN）将PET转换为病灶图，并通过交叉注意力融合临床数据，提高了模型可解释性。Jemaa等基于GOYA试验1268例患者开发全自动AI工具，联合影像指标和临床变量显著优于单独IPI，并可识别中枢神经系统复发高危亚群。然而，Carlier等在GAINED研究中的分析提示，在PET驱动巩固策略优化的队列中，常规PET参数或影像组学特征未显著改善分类或生存预测，说明评估AI模型价值需考虑临床干预背景。

**5