近日，中國科學院深圳先進技術研究院醫學成像科學與技術系統全國重點實驗室、醫工所影像中心孫濤副研究員團隊，聯合中國醫學科學院腫瘤醫院深圳醫院、河南省人民醫院，圍繞動態 [1?F]FDG PET/CT 成像，提出了一種融合血流與代謝動態特征的可解釋機器學習方法，顯著提高了對肺部結節良惡性的分類準確性。相關成果以題為 “Leveraging machine learning with dynamic 18F-FDG PET/CT: integrating metabolic and flow features for lung cancer differential diagnosis” 發表在醫學影像與核醫學領域權威期刊European Journal of Nuclear Medicine and Molecular Imaging。

研究亮點

在肺結節影像診斷中，提升良惡性鑒別的準確性始終是醫學影像與核醫學的重要研究方向。傳統的CT結構影像的參數與PET的SUVmax參數在肺癌診斷中存在一定局限，且依賴于復雜的動力學建模。該研究創新性地將病灶的時間-活度曲線（TAC）分解為血流（Cb）、游離態（Cf）和代謝態（Cm）三部分，分別提取關鍵動態特征，如峰值、斜率、AUC等，構建可解釋的分類特征集合。

研究基于Bagging集成學習方法，結合LASSO特征篩選和SHAP值可解釋性分析，構建了肺結節良惡性預測模型。在187例訓練集上，模型AUC達到0.89，在42例獨立驗證集上AUC也達到0.86，均顯著優于SUVmax（0.79）和Ki（0.76）（圖2）。預測分數在良惡性人群中差異顯著（p < 0.001），Cohen's效應量高達1.71。

該模型在短軸的GE DMI PET/CT設備和長軸的聯影uEXPLORER PET/CT設備上均表現穩定，展示出良好的泛化能力。此外，模型推理時間僅10秒以內，特征提取約8秒/例，完全可集成于臨床流程，具備落地潛力。最后，模型輸出不僅限于預測結果，更通過可解釋分析展示了每個動態特征在單個病人中的診斷貢獻（圖3），讓醫生“看得懂、用得上”。

應用前景

該研究為動態PET在肺癌良惡性鑒別中的應用提供了新型可解釋性手段，尤其適用于靜態顯像模糊、腫瘤標志物陰性、或高假陽性風險的復雜病例。未來計劃進一步縮短掃描時間、與CT特征融合、開展多中心驗證等推動臨床轉化。

本研究由中國科學院深圳先進技術研究院孫濤副研究員、中國醫學科學院腫瘤醫院深圳醫院核醫學科梁穎主任，聯合河南省人民醫院王梅云副院長團隊共同完成。深圳先進院南科大聯培學生姚志恒、腫瘤醫院王禹博醫師為共同第一作者。本研究受到中國科學院、科技部、深圳市和廣東省的項目支持。

圖1：文章上線截圖

圖2：可解釋機器學習模型（TAC features）在本地（a）及外部驗證數據(b)中均優于常規定量方法，顯著提升了分類診斷性能

圖3：個體動態影像特征的重要性排序分析，輔助臨床理解