European Radiology：人工智能实现PET/CT的肺癌全自动评估！

众所周知，以18F-氟脱氧葡萄糖（FDG）为放射性载体的PET/CT正电子发射断层扫描（PET）部分对肿瘤的特征和肺癌的分期可提供重要的代谢信息。因此，FDG-PET/CT已经成为肺癌患者诊断工作的标准。但是，尽管技术不断进步，基于影像学的分期仍然是一项具有挑战性的任务，诊断不足和诊断过度是十分常见的问题。临床上，适当的治疗是基于正确的分期。由于疾病的快速发展，最初的错误分期对患者的生活质量有十分不利的影响。

使用人工智能（AI）算法的自动肺部肿瘤检测已经在高分辨率CT上显示出重要的价值。然而，特别是在层厚为3毫米、以自由呼吸技术采集的PET/CTs的CT部分在检测晚期肿瘤方面对算法来说是个挑战。

最近，P. Jaeger及其同事提出了一个基于Retina U-Net的用于医疗数据端到端对象检测的应用，并在二维和三维的MRI上检测乳腺癌时显示出良好的效果。

近日，发表在European Radiology杂志的一项研究开发并测试了一种用于检测FDG-PET/CT上原发性肺肿瘤和相关各期转移的Retina U-Net算法，为临床早期进行准确的风险评估提供了参考依据。

研究使用一个由364个组织学确认的肺癌患者的FDG-PET/CT组成的数据集进行算法开发和内部测试，该数据集包括了所有阶段的肿瘤。所有的肺部肿瘤（T）、淋巴结转移（N）和远处转移（M）都是使用全身PET/CT系列手动分割为三维体积。该数据集被分成训练（n = 216）、验证（n = 74）和内部测试数据集（n = 74）。评估了在多个分类器阈值下所有病变类型的检测性能，并计算了每例假阳性发现（FP/c）。接下来，使用自动解剖区域分割法将检测到的病变分配到T、N或M类别。此外，对FP的原因进行了视觉评估和分析。最后，对另一机构的20台PET/CT进行了性能测试。 

在内部测试集上，FP/c为2.0时，T型病变的敏感度为86.2%（95%CI：77.2-92.7）。与大多数FP相关的解剖学因素是骨髓的生理活动（16.8%）。基于解剖学区域方法的TNM分类在94.3%的病变中是正确的。外部测试集的表现证实了该算法的良好性能（总检测率=88.8%（95%CI：82.5-93.5%），FP/c=2.7）。 

 
图 四个FP研究结果的示例（在PET/CT上用红色界线框标记），由于（a）已经检测到的真实肺部肿瘤的双重注释（绿色界线框），（b）心肌的生理活动（c）骨髓的生理活动和（d）一个体外异物

本项研究表明，Retina U-Net算法很适合进行PET/CT中肺癌病灶的三维检测。为了进一步推动该方法的临床应用，该方法将被扩展到整个身体的应用。为此，除了允许修改自动生成的结果的快速和直观的工作流程，还需要更多的胸外评估以辅助应用。
原文出处：

T Weikert,P F Jaeger,S Yang,et al.Automated lung cancer assessment on 18F-PET/CT using Retina U-Net and anatomical region segmentation.DOI:10.1007/s00330-022-09332-y