突破肝癌诊断困境：基于先验信息的多群体优化算法助力 1?F-FDG PET/CT 精准诊断

为解决传统算法难以从 1?F-FDG PET/CT 参数估计中获取合理生理特征的问题，云南省第一人民医院的研究人员开展基于先验的多群体多目标优化（p-MPMOO）研究。结果显示该方法区分肝癌与正常肝组织效果好，推荐科研读者阅读。

　　

在医学领域，肝癌的诊断一直是个备受关注的大问题。随着科技的发展，动态 1?F-FDG PET/CT（1?F 氟代脱氧葡萄糖正电子发射断层显像 / 计算机断层扫描）逐渐在肝癌临床研究中广泛应用。它就像是医生的 “火眼金睛”，通过追踪一种带有放射性标记的葡萄糖（1?F-FDG）在体内的代谢情况，帮助医生判断肝脏是否发生癌变。

医生们利用示踪剂动力学建模（TKM），根据时间 - 活性曲线（TAC）数据来量化生理信息，从而诊断肝癌。其中，基于药代动力学的房室模型是获取生物组织中示踪剂代谢定量信息的常用方法。以前，科学家们提出过各种模型，像不可逆三室模型，后来又考虑到肝脏的双重血液供应特点，出现了利用肝动脉和门静脉双重血液输入的肝脏动力学建模方法。而且，为了减少患者的痛苦，无创的图像衍生血输入获取方法也逐渐替代了传统的采血方式。

但是，在参数估计这个关键环节上，却遇到了难题。传统的单一个体优化算法，比如 Levenberg–Marquardt（LM）算法，虽然常用，但它有个 “小毛病”，特别容易陷入局部最优解，就好像在迷宫里只找到了一个小角落，就以为是出口，结果错过了真正的最优解。后来出现的基于元启发式的群体优化算法，像粒子群优化（PSO）、差分进化（DE）和遗传算法（GA），在全局优化方面表现得不错，能找到误差更小的解。可新的问题又出现了，这些参数解有时候会跑出合理范围，就像脱缰的野马，不受控制，导致诊断结果受到影响。简单来说，以前的方法在确保参数能准确反映生理过程这方面，总是差那么一点意思。

为了解决这些棘手的问题，云南省第一人民医院的研究人员可没少下功夫。他们在《BMC Medical Imaging》期刊上发表了一篇名为 “Prior-based multi-population multi-objective optimization for 1?F-FDG PET/CT pharmacokinetics in hepatocellular carcinoma” 的论文。经过一系列研究，他们发现基于先验信息的多群体多目标优化（p - MPMOO）方法在区分肝癌肿瘤和正常肝组织方面表现出色，为肝癌的诊断带来了新的希望。这一成果就像是在黑暗中点亮了一盏明灯，为肝癌诊断领域指明了新的方向，具有重要的临床意义，可能会让肝癌的诊断更加准确、高效。

研究人员为了开展这项研究，用到了几个关键的技术方法。首先，他们采用了一种可逆双输入三室模型（r - DI - 3CM）来对肝脏的代谢信息进行量化。这个模型就像是一个精密的仪器，把肝脏内的代谢过程模拟得十分细致。其次，他们提出了基于先验的多群体优化算法。这个算法的特别之处在于，它把先验信息巧妙地融入到群体优化过程中。先验信息就像是一个 “小助手”，帮助算法更好地找到符合生理实际的参数解。研究人员把先验参数样本分成 “正常” 和 “肿瘤” 两组，让两个独立的子群体分别进行优化，最后根据均方根误差（RMSE）来选择最终结果。

下面来看看具体的研究结果：

• 先验信息获取：研究人员先用单群体 GA 来估计参数，生成先验信息。从 24 个病例的数据进行了 20 次参数估计，结果发现肝癌和正常肝组织的参数统计分布差异明显，而且这些参数值都在合理范围内，具有生理合理性。这就像是找到了两组不同的 “密码”，为后续的研究打下了基础。
• 参数估计和统计分析：研究人员比较了 p - MPMOPSO、p - MPMODE 和 p - MPMOGA 这三种基于先验的多群体优化算法，以及对应的单群体算法和单一个体 LM 算法。结果发现，单个体 LM 算法在某些参数上表现一般，只有部分参数在肝癌和健康肝组织之间有显著差异。而单群体算法中，也只有部分参数有显著差异。相比之下，三种 p - MPMO 算法在更多参数上呈现出显著差异。比如 p - MPMOPSO 在 k?、k?和 f?参数估计上表现更好；p - MPMODE 在 K?、k?、k?、k?和 f?参数上有显著差异；p - MPMOGA 则在所有六个参数上都有显著差异。这就说明，新的算法在揭示肝癌和正常肝组织的差异方面，比传统算法更厉害。
• ROC 分析：通过绘制受试者工作特征曲线（ROC）并进行 DeLong 检验，研究人员发现，三种 p - MPMO 优化算法在大多数参数上的曲线下面积（AUC）值比对应的单群体算法更高。这意味着 p - MPMO 算法在诊断性能上更有优势。不过，在不同参数上，p - MPMO 算法与 LM 算法的比较结果有所不同。在 K?和 k?上，p - MPMO 算法明显更优；在 k?和 k?上，三种 p - MPMO 算法比单群体算法好，但与 LM 算法相比各有优劣；在 f?和 v_b 上，七种算法的诊断性能差异不大。这就像一场比赛，p - MPMO 算法在一些项目上表现突出，在另一些项目上则和对手互有胜负。
• TAC 曲线拟合：研究人员比较了多种算法对 TAC 曲线的拟合效果，发现三种 p - MPMO 优化算法与原始曲线数据的吻合度非常高。这就好比是拼图，p - MPMO 算法能把拼图拼得严丝合缝，说明它在模拟实际代谢过程方面表现得很好。

在研究结论和讨论部分，研究人员发现把先验信息融入多群体优化算法，确实能让参数估计更好地反映合理的药代动力学活动。他们采用的扫描方案和图像 ROI 衍生输入函数获取方法，既保证了信号质量，又对患者更友好。而且，他们提出的 p - MPMO 优化算法有独立、自适应和基于先验的特点，在与 PSO、DE 和 GA 结合时，能更准确地呈现正常肝组织和肝癌之间的生理差异，尤其是在 K?和 k?这两个参数上。

不过，这项研究也有一些局限性。比如，先验信息和肝脏动态 PET 数据的获取方法和质量还有待提高；由于样本量小，没有分析动力学参数和肿瘤分化程度之间的关系；算法中的很多超参数设置依赖主观判断；多目标优化采用的加权和方法也可能不是最优的。

但总体来说，这项研究意义重大。它为肝癌的诊断提供了一种新的、更有效的方法，让医生在诊断肝癌时多了一件 “利器”。虽然还有一些不足，但也为后续的研究指明了方向，激励着更多的科研人员继续探索，不断完善肝癌的诊断技术，为患者带来更多的希望。