结节病是一种良性的多系统疾病，其特征是肺、肝脏和淋巴系统等多个器官中存在非级联肉芽肿。恶性淋巴瘤(ML)是一组恶性肿瘤，以结节病样淋巴结病和结外受累为表现。结节病和ML之间的区别是至关重要的，因为结节病是通过临床随访或免疫抑制疗法来治疗的，而ML，尤其是侵袭性型，则采用化疗和放射治疗。

[18F]FDG PET/CT是一种诊断成像技术，可用于评估癌症和炎症性疾病的活动。卷积神经网络 (CNN) 是一种深度学习编码，由多个卷积和池化层组成，可以从输入图像中自动提取特征图。在以前的一项研究中，使用CNN的全身模型FDG摄取模式可用于ML和结节病患者的分类，与核医学专家相比具有更高的准确性。然而据我们所知，很少有发表的报告比较FDG在结节病和ML摄取部位的差别。

近日，发表在European Radiology杂志上的一篇研究比较了未经治疗的结节病和恶性淋巴瘤(ML)的FDG PET/CT表现之间的差异，并利用最大强度投影(MIP) [18F]FDG PET图像建立卷积神经网络(CNN)模型对这两种疾病进行准确诊断。

本项研究回顾性收集了新诊断为结节病和ML的连续患者的资料，并在治疗前进行[18F]FDG PET/CT检查。由两名核放射科医生检查了这些图像。使用MIP PET图像创建CNN模型，并使用k-fold交叉验证进行评估。使用梯度加权类激活映射(Grad-CAM)可视化感兴趣点。

研究共纳入56例结节病和62例ML。结节病患者FDG在纵隔淋巴结和肺部病变中积聚更为突出，而ML患者FDG在颈部淋巴结中积聚更为突出(p < 0.001)。对于纵隔淋巴结，结节病患者在第2、4、7、10级淋巴结有显著的FDG积累(均p < 0.01)。否则，ML患者的积累倾向于1级淋巴结(p = 0.08)。使用正面和侧面MIP图像的CNN模型平均准确率为0.890 (95% CI: 0.804-0.977)，灵敏度为0.898 (95% CI: 0.782-1.000)，特异性为0.907 (95% CI: 0.799-1.000)，曲线下面积为0.963 (95% CI: 0.899-1.000)。Grad-CAM显示，该模型集中于FDG异常积聚的部位。

 图 MIP的代表性示例。a结节病的正面MIP图像，b结节病的侧面MIP图像，c恶性淋巴瘤的正面MIP图像，d恶性淋巴瘤的侧位MIP图像

本项研究表明，基于FDG积累部位差异的CNN模型在结节病和ML的鉴别中表现优异，可用于诊断累及器官和淋巴结的相关疾病。

原文出处：

Hikaru Aoki,Yasunari Miyazaki,Tatsuhiko Anzai,et al.Deep convolutional neural network for differentiating between sarcoidosis and lymphoma based on [18F]FDG maximum-intensity projection images.DOI:10.1007/s00330-023-09937-x

Tags： European Radiology：使用[18F]FDG PET/CT实现结节病和淋巴瘤的准确诊断