突破肝癌诊断困境：先验多群体优化助力F - FDG PET/CT 精准量化

为解决传统算法难以从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信息的多群体多目标优化研究。结果显示该方法区分肝癌与正常肝组织表现出色，推荐一读。

　　

在医学领域，肝癌的诊断一直是个备受关注的难题。随着科技的发展，动态F-FDG PET/CT（F 氟代脱氧葡萄糖正电子发射断层显像 / 计算机断层扫描）逐渐在肝癌临床诊断研究中崭露头角。它就像一个神奇的 “探测器”，通过追踪体内F-FDG 这种特殊的 “标记物”，来反映肝脏的代谢情况，帮助医生判断肝脏是否存在病变。

为了更精准地从 PET/CT 数据中获取有价值的信息，科研人员常常会用到一种叫示踪剂动力学建模（TKM）的方法。它通过对时间 - 活性曲线（TAC）数据进行分析，就像解读一本记录肝脏代谢过程的 “密码本”，从而量化生理信息，以此来诊断肝癌。在这个过程中，药代动力学房室模型发挥着重要作用，它可以帮助研究人员了解示踪剂在生物组织内的代谢情况。

然而，在参数估计这个关键环节上，却遇到了不少麻烦。以往常用的单一个体优化算法，比如 Levenberg–Marquardt（LM）算法，虽然在一定程度上能够进行参数估计，但它有个 “致命弱点”，就是特别容易陷入局部最优解。这就好比一个人在迷宫里找出口，本来有更好的路可以走，但他却早早地在一个小角落里停了下来，以为那就是出口，结果错过了真正的出口。

而基于元启发式的群体优化算法，像粒子群优化（PSO）算法、差分进化（DE）算法和遗传算法（GA），虽然在全局优化方面表现得比单一个体优化算法好一些，但它们也有自己的问题。这些算法得到的参数解有时候会 “跑偏”，不在合理的生理范围内，就像射箭偏离了靶心。这样一来，不仅不能准确反映生理过程，还可能让诊断结果出现偏差，影响医生对病情的判断。

面对这些难题，云南省第一人民医院的研究人员决心寻找更好的解决办法。他们在《BMC Medical Imaging》期刊上发表了一篇名为《Prior - based multi - population multi - objective optimization for 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。这一发现就像在黑暗中点亮了一盏明灯，为肝癌的诊断提供了新的思路和方法，对肝癌的临床诊断和治疗具有重要意义。

为了开展这项研究，研究人员主要用到了以下几个关键技术方法：

1. 数据采集：他们收集了 21 位确诊肝癌患者的 PET 数据，这些患者都进行了 5 分钟的短期动态F - FDG PET/CT 扫描，以及在注射后 60 分钟时进行了 1 分钟的全身常规静态扫描。通过这些扫描，获取了肝脏不同组织的时间 - 活性曲线（TAC）数据。
2. 建立模型：采用可逆双输入三室模型（r - DI - 3CM）来描述F - FDG 在肝脏内的药代动力学过程，这个模型包含了多个重要的动力学参数，如、、、、和 ，每个参数都代表着不同的生理意义。
3. 优化算法：运用了单一个体 LM 算法、单群体算法（PSO、DE 和 GA）以及新提出的 p - MPMO 优化算法（p - MPMOPSO、p - MPMODE 和 p - MPMOGA）来估计模型中的参数。同时，引入先验信息来改进优化过程，通过对不同算法结果的比较和分析，评估各算法的性能。

下面来看看具体的研究结果：

先验信息获取

研究人员首先用单群体 GA 来估计参数，从而生成先验信息。他们对 24 个病例的数据进行了 20 次参数估计，然后把结果绘制成统计直方图。从图中可以明显看出，肝癌组织和正常肝组织的参数统计分布差异很大，而且这些参数值都在合理的范围内，符合生理规律。这就像是找到了一把 “钥匙”，为后续利用先验信息优化算法奠定了基础。

参数估计和统计分析

研究人员比较了不同算法估计的动力学参数，发现不同算法之间存在差异。LM 算法在、和这几个参数上，肝癌肿瘤和健康肝组织之间有显著差异，但在、和上却没有。单群体算法 PSO、DE 和 GA，以及它们对应的基于先验信息的多群体优化算法（p - MPMOPSO、p - MPMODE 和 p - MPMOGA）相比，p - MPMO 系列算法在更多参数上表现出显著差异。例如，p - MPMOPSO 在、和上的值更低（span data-custom-copy-text="\(p 0.001\)"），这意味着它能更明显地区分肝癌和正常肝组织在这些参数上的差异。

ROC 分析

通过绘制受试者工作特征曲线（ROC），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）值比相应的单群体算法更高。这说明 p - MPMO 优化算法在诊断性能上更有优势。不过，在和 LM 算法比较时，不同参数的表现有所不同。在和上，p - MPMO 优化算法明显优于单群体算法和 LM 算法；在和上，p - MPMO 优化算法比单群体算法好，但和 LM 算法相比，各有优劣；在和上，七种算法的诊断性能差异不大，只是 p - MPMODE 和 p - MPMOGA 在上比 LM 算法差。

TAC 曲线拟合

研究人员还比较了不同算法对 TAC 曲线的拟合效果。从结果来看，三种 p - MPMO 优化算法和原始曲线数据的吻合度非常理想。这表明它们在描述肝脏代谢过程方面表现得很好，就像给肝脏的代谢活动拍了一张清晰的照片。

在讨论部分，研究人员总结了这项研究的重要意义。他们提出的 p - MPMOO 方法将先验信息融入多群体优化算法，让参数估计更能反映合理的药代动力学活动，帮助更好地区分正常肝组织和肝癌组织。而且，研究中采用的扫描方案和图像 ROI（感兴趣区域）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，操作起来也更方便。

不过，研究也存在一些不足之处。比如，先验信息和肝脏动态 PET 数据的采集方法和质量还有待提高，样本量较小，没有深入分析动力学参数和肿瘤分化程度之间的关系，而且方法中的超参数设置依赖主观判断，多目标优化的加权和方法也可能不是最优的。

总的来说，这项研究提出的基于先验信息的多群体多目标优化方法为肝癌的诊断带来了新的希望。虽然还有一些问题需要解决，但它为后续的研究指明了方向。相信在未来，随着研究的不断深入和改进，这种方法会在肝癌的临床诊断中发挥更大的作用，帮助医生更准确地诊断肝癌，为患者的治疗争取更多的时间和机会。