基于PET/CT成像与深度学习模型的肺高代谢病灶检测与诊断研究

本研究针对肺高代谢病灶临床诊断难题，开发了基于PET/CT成像和深度学习技术的病灶定位与分类系统。上海交通大学医学院附属瑞金医院团队通过647例多中心数据验证，模型对良性病变、肺癌、肺淋巴瘤和转移癌的分类AUC达88.4%，显著优于传统影像组学方法。该研究为临床决策提供了智能化辅助工具，推动精准医疗在核医学领域的应用。

　　

肺病诊疗领域长期面临一个关键挑战：如何从形态多样、代谢特征复杂的肺部病灶中准确区分良恶性病变？传统PET/CT依赖医生经验判断标准摄取值(SUV_max)，但面对肺腺癌、淋巴瘤浸润和转移灶等异质性病变时仍存在误诊风险。随着人工智能技术的突破，深度学习(DL)为医学影像分析带来了新机遇，但现有研究多局限于肺结节良恶性鉴别，缺乏针对多类肺高代谢病灶的系统性解决方案。

上海交通大学医学院附属瑞金医院联合国内四家医疗机构，在《European Journal of Nuclear Medicine and Molecular Imaging》发表了创新性研究成果。研究团队收集了647例跨越8年的多中心PET/CT数据，构建了包含426例内部数据集和221例外部验证集的大样本队列。采用双阶段深度学习框架：先通过改进的3D U-Net实现病灶自动分割，再设计多维度联合网络整合3D病灶区块与2D最大密度投影(MIP)特征，最终实现四分类诊断（良性/肺癌/肺淋巴瘤/转移癌）。

关键技术方法包括：1) 使用LIFEx软件基于MTV_40%阈值半自动标注病灶；2) 开发残差模块增强的3D U-Net分割模型；3) 构建融合3D局部特征与2D全局特征的分类网络；4) 采用五家医疗机构的八种PET/CT设备数据进行多中心验证；5) 与影像组学支持向量机(SVM)模型进行性能对比。

病灶定位模型在内部测试集达到81.19%检出率，Dice系数0.6587。分类模型表现突出：内部测试集微平均AUC达88.4%，显著优于传统方法(p<0.05)。值得注意的是，模型对淋巴瘤浸润灶识别准确率达74.1%，且能有效区分同期存在的多原发癌（如图6所示病例）。外部验证显示，模型对常规PET/CT数据保持80.7% AUC，但对新型uEXPLORER全身PET/CT数据性能略有下降(66.6%)，提示设备差异对AI模型的影响。

假阳性分析揭示，模型81.58%的误检实际为临床关注的纵隔淋巴结等可疑病灶。这种"有意义的错误"反而辅助医生发现继发病变，体现了临床实用性。研究还发现，添加年龄、性别等临床特征并未显著提升模型性能，凸显了影像特征的主导作用。

该研究建立了首个基于深度学习的肺高代谢病灶多分类系统，其创新价值体现在三方面：1) 突破传统二分类局限，构建覆盖四大临床类别的诊断框架；2) 开发PET主导的分割策略，弥补CT对代谢病灶的识别不足；3) 通过多维度特征融合，实现局部病灶与全身代谢信息的协同分析。研究成果已应用于瑞金医院核医学科，平均缩短诊断决策时间40%，使患者能更快转入专科治疗。

未来研究将整合液体活检等分子数据，并探索模型在免疫治疗疗效预测中的应用。正如通讯作者Ning Wen教授指出："这项技术不仅改变了传统的影像解读模式，更重要的是建立了从图像分析到临床决策的智能通路，为精准医学时代的多学科协作提供了新范式。"该工作为AI在核医学领域的转化应用树立了标杆，其方法论也可拓展至其他多模态影像分析场景。