European Radiology：PET/CT深度学习模型在预测弥漫性大b细胞淋巴瘤治疗方面的价值

弥漫性大B细胞淋巴瘤（DLBCL）是淋巴瘤中最常见的组织学亚型，在亚洲的发病率较高。在临床DLBCL治疗中，R-CHOP（利妥昔单抗、环磷酰胺、多柔比星、长春新碱和泼尼松）化疗已成为一线治疗标准。然而，在接受这种化疗的患者中，有多达15%的人经历了初级治疗失败（PTF），中位生存时间最多限制在1年之内。除了大剂量化疗和自体干细胞移植外，包括嵌合抗原受体T细胞疗法在内的新型疗法已显示出良好的疗效，为PTF高风险患者提供了越来越多的R-CHOP替代方案。因此，识别这些PTF高危患者至关重要。

最近，修订后的国际预后指数（R-IPI）重新分配了IPI因素，并根据诊断时存在的负面预后因素的数量来预测DLBCL患者的预后。许多基因变化，如TP53和KMT2D突变的存在是DLBCL患者预后不良的独立标志物。然而，R-IPI在预测PTF方面的作用有限，特别是对于低风险的DLBCL患者来说。TP53和KMT2D突变的确认依赖于大规模的高通量基因测序，这需要额外的时间和高劳动强度。随着医学影像的发展，18F-氟-2-脱氧葡萄糖([18F]FDG) 正电子发射断层扫描/计算机断层扫描（PET/CT）是诊断和分期DLBCL的一个有效的影像学工具。然而，目前还没有研究确定PET/CT在识别DLBCL患者PTF方面的预测价值。

随着人工智能的快速发展，深度学习方法已经发展成为分析PET/CT数据的重要数学模型，已被应用于与淋巴结检测、正常生理FDG摄取识别、病灶分割以及生存预测。

近日，发表在European Radiology杂志的一项研究利用18F-氟-2-脱氧葡萄糖（[18F]FDG）正电子发射断层扫描/计算机断层扫描（PET/CT）成像数据构建了一个多模态深度学习（MDL）模型，以实现低风险DLBCL的PTF预测，从而实现临床个性化治疗方案的制定及预后评估。

本项研究纳入了205名接受中期[18F]FDG PET/CT扫描和一线标准护理的DLBCL患者进入研究。基于Conv-LSTM网络的强大框架，研究纳入了五种不同的多模式融合策略（像素混合、独立通道、独立分支、定量加权和混合学习），以充分利用PET/CT特征，并建立了五个相应的MDL模型。此外，研究找到了最佳模型，即混合学习模型，并通过整合对比性训练目标对其进行了优化以进一步提高其预测性能。

最终，经过对比性目标优化的模型被命名为对比性混合学习模型，在主数据集中表现最好，准确率为91.22%，接受者操作特征曲线下面积（AUC）为0.926。在外部数据集中，其准确率和AUC分别保持在88.64%和0.925，表明其良好的泛化能力。

图 三个PTF-DLBCL示例的可视化。为了实现更清晰的比较，每一列的顶部都显示了相应的PET和CT图像。生理示踪剂的摄取和病变分别用绿色和红色的轮廓线勾勒出来。激活的区域用红色表示，权重较大，可以通过右边的颜色图例进行解码。黄色箭头表示不同模型间的明显差异

本项研究表明，所提出的学习模型取得了良好的诊断性能，并验证了中期PET/CT的预测价值，有望在临床上指导医生进行个体化的临床治疗。

原文出处：

Cheng Yuan,Qing Shi,Xinyun Huang,et al.Multimodal deep learning model on interim [18F]FDG PET/CT for predicting primary treatment failure in diffuse large B-cell lymphoma.DOI:10.1007/s00330-022-09031-8