编辑推荐：
为解决肺癌良恶性病变鉴别诊断难题，研究人员开展基于动态 18F - 氟脱氧葡萄糖（18F-FDG）PET/CT 成像特征的研究。结果显示，整合代谢和血流特征的机器学习模型比传统参数诊断更准确，有助于提高肺癌诊断水平。
在肺癌的诊断领域，准确区分肺部病变的良恶性是至关重要的。传统的 18F-FDG PET/CT 检查中，常用的半定量指标标准化摄取值最大值（SUVmax）存在准确性方面的局限，在诊断和分期时可能出现假阳性或假阴性的情况 。而反映葡萄糖代谢率的净 FDG 流入率（Ki），虽在鉴别良恶性病变上有一定优势，但它依赖的动力学建模容易受到多种因素干扰，比如模型选择错误、患者运动、病变勾画不准确、部分容积效应以及无效的图像衍生输入函数等，这些因素会影响 Ki 等动力学参数生成的准确性。为了解决这些问题，中国科学院深圳先进技术研究院等机构的研究人员开展了相关研究。该研究成果发表在《European Journal of Nuclear Medicine and Molecular Imaging》上，为肺癌的鉴别诊断提供了新的思路和方法。
研究人员采用的主要关键技术方法包括：首先，对临床怀疑患有肺癌的患者进行动态 18F-FDG PET/CT 扫描，获取患者数据。训练数据集来自中国医学科学院肿瘤医院深圳医院，测试数据集来自河南省人民医院。其次，通过对 PET 图像进行处理，手动勾勒病变轮廓，利用不可逆双室模型将病变区域的时间 - 活动曲线（TAC）分解为血液（Cb）、游离（Cf）和代谢（Cm）成分。然后，从这些成分中提取如曲线下面积（AUC）、达峰时间（t
peak）、斜率等动态特征。最后，使用基于决策树的机器学习方法 Bagging 构建分类模型，并通过五折交叉验证和外部数据集测试模型性能。
研究结果如下：
- 患者特征：训练集 187 例患者中，164 例确诊为恶性肿瘤，包括鳞状细胞癌、腺癌等多种类型；测试集 42 例患者中，23 例良性，19 例恶性。
- 特征提取和选择：计算出 12 个候选特征，经 LASSO 选择后保留 7 个关键特征，包括代谢 TAC 的斜率和最大值、血液 TAC 的达峰时间和 AUC 等。Kruskal-Wallis 检验显示这些特征及 SUVmax、Ki 在良恶性组间差异显著。
- 分类性能：构建的分类模型在内部五折交叉验证中，AUC 达到 0.89，灵敏度 0.80，特异性 0.88；在外部测试数据集上，AUC 为 0.86，均优于 SUVmax 和 Ki。预测分数能显著区分良恶性患者，效应量达 1.71，高于 SUVmax 和 Ki。
- 模型解释：SHAP 分析显示，代谢成分（Cm）的特征对区分患者病情影响较大，血液成分（Cb）的达峰时间和 AUC 以及游离成分（Cf）的斜率也有一定影响。对个体患者分析发现，良性和恶性患者的特征与分类呈不同相关性。
- 运行时间：特征提取每例约 8 秒，模型训练约 120 秒，推理时间每批约 10 秒，计算效率高，适合临床应用。
研究结论和讨论部分指出，该研究提出的基于机器学习的分类方法，整合了动态 18F-FDG PET/CT 成像的代谢和血流特征，在鉴别肺癌良恶性病变方面表现优异，比传统指标更准确。不过，该方法也存在一些局限性，比如动态 PET 成像时间长，在临床高通量应用上受限；模型虽有优势，但仍需更多多机构研究验证其普适性；目前仅与部分参数比较，结合其他参数或特征可能效果更好。未来研究可聚焦优化扫描协议、验证更多数据集、明确适用患者群体等方向，进一步挖掘动态 PET/CT 在肺癌诊断中的潜力，推动其在个性化诊断策略中的应用，为肺癌患者的精准诊断和治疗提供有力支持。
