100元不限次数上门电话_免费全国空降app入口在哪_怎么找喝茶联系方式_同城空降快餐联系

近日，中国科学院深圳先进技术研究院医学成像科学与技术系统全国重点实验室、医工所影像中心孙涛副研究员团队，联合中国医学科学院肿瘤医院深圳医院、河南省人民医院，围绕动态 [1?F]FDG PET/CT 成像，提出了一种融合血流与代谢动态特征的可解释机器学习方法，显著提高了对肺部结节良恶性的分类准确性。相关成果以题为 “Leveraging machine learning with dynamic 18F-FDG PET/CT: integrating metabolic and flow features for lung cancer differential diagnosis” 发表在医学影像与核医学领域权威期刊European Journal of Nuclear Medicine and Molecular Imaging。

研究亮点

在肺结节影像诊断中，提升良恶性鉴别的准确性始终是医学影像与核医学的重要研究方向。传统的CT结构影像的参数与PET的SUVmax参数在肺癌诊断中存在一定局限，且依赖于复杂的动力学建模。该研究创新性地将病灶的时间-活度曲线（TAC）分解为血流（Cb）、游离态（Cf）和代谢态（Cm）三部分，分别提取关键动态特征，如峰值、斜率、AUC等，构建可解释的分类特征集合。

研究基于Bagging集成学习方法，结合LASSO特征筛选和SHAP值可解释性分析，构建了肺结节良恶性预测模型。在187例训练集上，模型AUC达到0.89，在42例独立验证集上AUC也达到0.86，均显著优于SUVmax（0.79）和Ki（0.76）（图2）。预测分数在良恶性人群中差异显著（p < 0.001），Cohen's效应量高达1.71。

该模型在短轴的GE DMI PET/CT设备和长轴的联影uEXPLORER PET/CT设备上均表现稳定，展示出良好的泛化能力。此外，模型推理时间仅10秒以内，特征提取约8秒/例，完全可集成于临床流程，具备落地潜力。最后，模型输出不仅限于预测结果，更通过可解释分析展示了每个动态特征在单个病人中的诊断贡献（图3），让医生“看得懂、用得上”。

应用前景

该研究为动态PET在肺癌良恶性鉴别中的应用提供了新型可解释性手段，尤其适用于静态显像模糊、肿瘤标志物阴性、或高假阳性风险的复杂病例。未来计划进一步缩短扫描时间、与CT特征融合、开展多中心验证等推动临床转化。

本研究由中国科学院深圳先进技术研究院孙涛副研究员、中国医学科学院肿瘤医院深圳医院核医学科梁颖主任，联合河南省人民医院王梅云副院长团队共同完成。深圳先进院南科大联培学生姚志恒、肿瘤医院王禹博医师为共同第一作者。本研究受到中国科学院、科技部、深圳市和广东省的项目支持。

图1：文章上线截图

图2：可解释机器学习模型（TAC features）在本地（a）及外部验证数据(b)中均优于常规定量方法，显著提升了分类诊断性能

图3：个体动态影像特征的重要性排序分析，辅助临床理解