摘要：近日，中国科学院深圳先进技术研究院副研究员孙涛团队，联合中国医学科学院肿瘤医院深圳医院、河南省人民医院，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。相关成果发表于《欧洲核医学与分子成像杂志》。
本报讯（记者刁雯蕙）近日，中国科学院深圳先进技术研究院副研究员孙涛团队，联合中国医学科学院肿瘤医院深圳医院、河南省人民医院，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。相关成果发表于《欧洲核医学与分子成像杂志》。
在肺结节影像诊断中，提高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CT（计算机断层扫描）结构影像的参数与PET（正电子发射计算机断层显像）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。
为此，研究人员创新性地将病灶的时间-活度曲线分解为血流、游离态和代谢态三部分，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。
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，模型推理时间为10秒内，特征提取约8秒/例，可集成于临床流程，具备落地潜力。据介绍，模型输出不仅限于预测结果，也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，让医生“看得懂、用得上”。
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。
据介绍，未来研究团队将进一步缩短扫描时间、与CT特征融合、开展多中心验证工作等，推动该研究成果向临床应用转化。
相关论文信息：
来源：新浪财经