近日，中國科學(xué)院深圳先進(jìn)技術(shù)研究院醫(yī)學(xué)成像科學(xué)與技術(shù)系統(tǒng)全國重點(diǎn)實(shí)驗(yàn)室、醫(yī)工所影像中心孫濤副研究員團(tuán)隊(duì)，聯(lián)合中國醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院深圳醫(yī)院、河南省人民醫(yī)院，圍繞動(dòng)態(tài) [1?F]FDG PET/CT 成像，提出了一種融合血流與代謝動(dòng)態(tài)特征的可解釋機(jī)器學(xué)習(xí)方法，顯著提高了對肺部結(jié)節(jié)良惡性的分類準(zhǔn)確性。相關(guān)成果以題為 “Leveraging machine learning with dynamic 18F-FDG PET/CT: integrating metabolic and flow features for lung cancer differential diagnosis” 發(fā)表在醫(yī)學(xué)影像與核醫(yī)學(xué)領(lǐng)域權(quán)威期刊European Journal of Nuclear Medicine and Molecular Imaging。
研究亮點(diǎn)
在肺結(jié)節(jié)影像診斷中，提升良惡性鑒別的準(zhǔn)確性始終是醫(yī)學(xué)影像與核醫(yī)學(xué)的重要研究方向。傳統(tǒng)的CT結(jié)構(gòu)影像的參數(shù)與PET的SUVmax參數(shù)在肺癌診斷中存在一定局限，且依賴于復(fù)雜的動(dòng)力學(xué)建模。該研究創(chuàng)新性地將病灶的時(shí)間-活度曲線（TAC）分解為血流（Cb）、游離態(tài)（Cf）和代謝態(tài)（Cm）三部分，分別提取關(guān)鍵動(dòng)態(tài)特征，如峰值、斜率、AUC等，構(gòu)建可解釋的分類特征集合。
研究基于Bagging集成學(xué)習(xí)方法，結(jié)合LASSO特征篩選和SHAP值可解釋性分析，構(gòu)建了肺結(jié)節(jié)良惡性預(yù)測模型。在187例訓(xùn)練集上，模型AUC達(dá)到0.89，在42例獨(dú)立驗(yàn)證集上AUC也達(dá)到0.86，均顯著優(yōu)于SUVmax（0.79）和Ki（0.76）（圖2）。預(yù)測分?jǐn)?shù)在良惡性人群中差異顯著（p < 0.001），Cohen's效應(yīng)量高達(dá)1.71。
該模型在短軸的GE DMI PET/CT設(shè)備和長軸的聯(lián)影uEXPLORER PET/CT設(shè)備上均表現(xiàn)穩(wěn)定，展示出良好的泛化能力。此外，模型推理時(shí)間僅10秒以內(nèi)，特征提取約8秒/例，完全可集成于臨床流程，具備落地潛力。最后，模型輸出不僅限于預(yù)測結(jié)果，更通過可解釋分析展示了每個(gè)動(dòng)態(tài)特征在單個(gè)病人中的診斷貢獻(xiàn)（圖3），讓醫(yī)生“看得懂、用得上”。
應(yīng)用前景
該研究為動(dòng)態(tài)PET在肺癌良惡性鑒別中的應(yīng)用提供了新型可解釋性手段，尤其適用于靜態(tài)顯像模糊、腫瘤標(biāo)志物陰性、或高假陽性風(fēng)險(xiǎn)的復(fù)雜病例。未來計(jì)劃進(jìn)一步縮短掃描時(shí)間、與CT特征融合、開展多中心驗(yàn)證等推動(dòng)臨床轉(zhuǎn)化。
本研究由中國科學(xué)院深圳先進(jìn)技術(shù)研究院孫濤副研究員、中國醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院深圳醫(yī)院核醫(yī)學(xué)科梁穎主任，聯(lián)合河南省人民醫(yī)院王梅云副院長團(tuán)隊(duì)共同完成。深圳先進(jìn)院南科大聯(lián)培學(xué)生姚志恒、腫瘤醫(yī)院王禹博醫(yī)師為共同第一作者。本研究受到中國科學(xué)院、科技部、深圳市和廣東省的項(xiàng)目支持。
圖1：文章上線截圖
圖2：可解釋機(jī)器學(xué)習(xí)模型（TAC features）在本地（a）及外部驗(yàn)證數(shù)據(jù)(b)中均優(yōu)于常規(guī)定量方法，顯著提升了分類診斷性能
圖3：個(gè)體動(dòng)態(tài)影像特征的重要性排序分析，輔助臨床理解
附件下載：