编辑推荐：
为解决 FDG-PET/CT 扫描中肠道肿瘤分割难题，Genentech, Inc 的研究人员对比基于器官和全身的深度学习方法。结果显示前者分割效果更佳。该研究为肿瘤诊断治疗提供新方向，值得科研人员一读。
在医学的世界里，癌症的诊断与治疗一直是备受关注的焦点。18 - 氟 - 脱氧葡萄糖正电子发射断层扫描 / 计算机断层扫描（FDG - PET/CT）作为一种重要的成像工具，在癌症患者的管理中发挥着关键作用。它就像是医生的 “透视眼”，能够帮助医生看到身体内部的情况，尤其是肿瘤的位置和代谢状态。
不过，这个 “透视眼” 也有它的烦恼。深度学习模型在识别高代谢肿瘤方面表现得相当出色，可一旦遇到像胃肠道这样解剖结构复杂，而且正常细胞还会吸收 FDG 的区域，就有点 “抓瞎” 了。在胃肠道里，肿瘤的形状千奇百怪，有的和周围器官长得很像，还有一些非恶性的摄取情况，比如糖尿病患者或者服用二甲双胍的患者，这些都让肿瘤的分割变得异常困难。但是，准确地分割胃肠道肿瘤又非常重要，它对于癌症的诊断、治疗方案的制定以及病情的监测都有着不可忽视的意义。就好比打仗时，准确找到敌人的位置是取得胜利的关键一步。
为了解决这个难题，来自 Genentech, Inc（位于美国南旧金山）的 Mahsa Torkaman 等人，在《BMC Medical Imaging》期刊上发表了一篇名为 “Comparative analysis of intestinal tumor segmentation in PET CT scans using organ based and whole body deep learning” 的论文。他们经过一系列研究，得出了一个重要结论：基于器官的训练方法在肠道肿瘤分割上表现更优，相比全身训练方法，它能利用训练数据中的组织同质性，提高分割的准确性。这就好比是，专注于一个区域做研究，比同时关注整个大区域能了解得更透彻。这个结论对于癌症的诊断和治疗有着重要意义，它为医生们提供了更精准的工具，能让患者得到更有效的治疗。
在研究过程中，研究人员用到了几个关键技术方法。首先是数据预处理，他们从大量的 FDG - PET/CT 扫描数据中筛选出含有肠道病变的样本，还对数据进行了一系列处理，像去除背景、重采样等，让数据更 “干净”，更适合后续分析。然后是模型训练，他们分别用了全身训练方法和基于器官的训练方法。全身训练方法是用之前发表过的方式，在全身扫描数据上训练模型；基于器官的训练方法则是只选取肠道区域的数据来训练模型，这样能让模型更专注于肠道肿瘤。最后，他们用了多种评估指标，比如 Dice 评分、精确率、召回率和 F1 评分等，来衡量模型的性能。
下面来看看具体的研究结果。
数据和预处理
研究人员使用了 Goya（NCT01287741）和 Gallium（NCT01332968）这两个临床试验的数据。Goya 试验是针对未经治疗的弥漫大 B 细胞淋巴瘤（DLBCL）患者的，而 Gallium 试验针对的是滤泡性淋巴瘤（FL）患者。这些数据都经过了严格的采集和审核流程。在数据预处理时，他们从 Goya 试验的 1166 个 FDG - PET/CT 扫描数据中，选出了 310 个含有肠道病变的扫描数据。然后，他们提取了肠道器官掩模，去除了非肠道肿瘤和体积较小的病变，还对数据进行了重采样，让数据的大小统一为 128×128×128 。经过这一系列操作，数据变得更 “整齐”，更有利于后续的研究。
全身和基于器官的训练
在训练模型时，全身训练方法用的是级联的 2D 和 3D 卷积神经网络（CNNs），它分两步进行肿瘤分割，先用修改后的 UNet 进行 2D 肿瘤分割，再用 3D VNet 进行优化。基于器官的训练方法则是用类似 UNet 的网络，根据验证集的表现来选择超参数，用 Adam 优化器调整权重，还结合了交叉熵和骰子损失函数来解决图像中的类别不平衡问题。就像是给模型制定了不同的 “学习计划”，看看哪种 “学习计划” 能让模型表现得更好。
评估指标和统计分析
为了评估模型的准确性，研究人员用了 Dice 评分、Wilcoxon 检验，还进行了病变水平的分析，计算精确率、召回率和 F1 评分，同时也计算了总代谢肿瘤体积（TMTV）。在计算这些指标时，他们设定了一个标准，如果预测的病变与真实病变的重叠超过 20%，就认为是真阳性；小于 20% 则分别被认定为假阳性或假阴性 。通过这些指标，他们能更全面地了解模型的性能。
结果
从 Goya 和 Gallium 试验的测试集结果来看，基于器官的方法在定量上明显优于全身方法。在 Goya 试验中，基于器官的方法 Dice 评分为 0.78±0.21，全身方法只有 0.63±0.30；在 Gallium 试验中，基于器官的方法 Dice 评分为 0.70±0.25，全身方法是 0.58±0.31。而且，基于器官的方法生成的肠道肿瘤分割结果在不同病例之间的变异性更小，更稳定。在计算 TMTV 时，基于器官的方法与真实值的相关性也更好，在 Goya 试验中 Spearman 相关性为 0.93，在 Gallium 试验中为 0.88，都高于全身方法。这就像是基于器官的方法在 “考试” 中，各项成绩都比全身方法更优秀。
在讨论部分，研究人员提到，FDG - PET 是一种很有效的成像技术，能帮助医生观察肿瘤的代谢情况。他们的研究表明，考虑到肠道区域复杂的解剖结构和非恶性代谢活动，基于器官的训练方法利用数据同质性，在肠道肿瘤分割上更准确，而且用更少的数据就能取得更好的效果。同时，这个方法在不同的 NHL 亚型（DLBCL 和 FL）中都能表现良好，说明它有很好的通用性。不过，研究也存在一些局限性，比如 PET 和 CT 数据可能会有配准错误，基于器官的方法依赖于器官分割模型的准确性等。但总体来说，这项研究为肠道肿瘤的分割提供了新的思路和方法，有着重要的意义。
这项研究的结论和意义十分重大。它提出的基于器官的 3D 深度学习方法，为淋巴瘤患者肠道肿瘤的分割提供了更可靠的方式。而且，这个方法用的数据比全身方法少很多，却能达到更好的效果，这在医学数据获取困难的情况下，显得尤为可贵。未来，研究人员还计划把这个方法应用到其他器官，探索用 PET-only 训练方法克服低剂量 CT 图像的局限，提取肿瘤的放射组学特征，让治疗方案更个性化。这就像是为医学研究开辟了一条新的道路，相信在这条道路上，医学工作者们会取得更多的成果，为癌症患者带来更多的希望。
