基于卷积神经网络实现多巴胺转运体 SPECT 中纹状体亚区域 [123I] FP-CIT 摄取的全自动分类

为解决传统分析方法的不足，研究人员开展基于卷积神经网络（CNN）的研究，实现 [123I] FP-CIT 摄取 5 级分类，具有重要意义。

　　在医学领域，帕金森病等神经系统疾病的诊断一直是个重要课题。单光子发射计算机断层扫描（SPECT）结合多巴胺转运体（DAT）配体 N-ω- 氟丙基 - 2β- 甲氧基羰基 - 3β-(4-¹²³I - 碘苯基) 去甲托烷（[¹²³I] FP-CIT）在检测黑质纹状体变性方面有重要作用。但在临床实践中，对 DAT-SPECT 图像的解读主要是二分法，即 “减少” 或 “正常”，这种解读方式忽略了纹状体亚区域的空间模式信息。而且，目前广泛使用的半定量分析方法，如基于特异性结合比（SBR）的分析，存在对 SPECT 硬件和重建软件的特异性差异敏感等问题，限制了规范性参考数据库和临界值的共享。

为了解决这些问题，来自德国汉堡埃彭多夫大学医学中心和柏林夏里特大学医学中心等机构的研究人员开展了一项研究。他们旨在设计、训练和验证一种基于深度学习的方法，对 [¹²³I] FP-CIT 的特异性结合进行区域分类，该研究成果发表在《Annals of Nuclear Medicine》上。

研究人员用到的主要关键技术方法如下：

1. 数据集：回顾性纳入 4 个数据集，包括 2 个内部数据集和 2 个外部数据集，共 3500 例不同的 [¹²³I] FP-CIT-SPECT 扫描数据。
2. 图像预处理：使用统计参数映射软件包（SPM12）的归一化工具和自定义模板图像对 DAT-SPECT 图像进行空间归一化，并通过体素缩放获取半定量分布体积比（DVR）图像。
3. 卷积神经网络（CNN）：构建一个定制的 ResNet CNN 架构，输入为经过处理的 DVR 图像，对网络进行训练、验证和测试。

研究结果如下：

1. 参考标准生成：通过高斯混合模型拟合 SBR 直方图，为区域 5 级评分生成参考标准，结果显示该模型对不同数据集的拟合效果良好，“边界” 病例位于两个高斯分布之间的凹陷处，支持所选阈值。
2. CNN 预测准确性：CNN 对尾状核 / 壳核中 [¹²³I] FP-CIT 摄取的 5 级预测准确率在独立同分布（IID）测试数据集和分布外（OOD）测试数据集中分别达到 80.1%/78.0% 和 78.1%/76.5%。在扫描层面，CNN 对所有 4 个纹状体亚区域的 5 级评分预测准确率在 IID 和 OOD 测试数据集中分别为 54.3% 和 52.6%。
3. 敏感性分析：CNN 对 “正常” 和 “几乎缺失” 的 [¹²³I] FP-CIT 摄取预测敏感性最高，对 “边界” 病例的预测敏感性最低。

研究结论和讨论部分指出，CNN 在区域 5 级评分预测上总体准确率接近 80%，能可靠区分正常、帕金森病样和 “非典型” 的尾状核 - 壳核梯度。在约 50% 的扫描中，CNN 对所有 4 个纹状体亚区域的 5 级评分预测正确，表明其对图像特征的位点和相机特异性变异具有较强的鲁棒性。虽然 CNN 对 “边界” 病例的预测准确性较低，但基于区域 5 级评分得出的二进制全局评分在扫描层面的二进制分类准确率高达 95% 以上。该研究表明，基于 CNN 的 [¹²³I] FP-CIT 摄取 5 级分类在临床上具有实用准确性，可用于自动识别不确定的边界病例和 “非典型” 模式，减少 DAT-SPECT 结构化报告的阅读时间并提高可重复性。不过，该研究也存在一些局限性，如参考标签自动生成方法的潜在问题、纹状体解剖细分较粗略、缺乏临床症状严重程度信息等。未来研究可针对这些问题进一步探索，以更好地应用于临床实践。