非霍奇金淋巴瘤是一类异质性肿瘤，病情进展迅速且预后多变。总代谢肿瘤体积（TMTV）已被证实为评估患者预后和制定治疗方案的重要影像生物标志物。然而，准确提取TMTV需要对所有肿瘤病灶进行精确描绘，传统手工或半自动方法不仅耗时费力，还容易受到操作人员经验影响，存在较大主观性和误差。 [18F]FDG PET/CT作为评估淋巴瘤活性和分布的标准影像技术，其影像数据的自动化处理和分析需求日益增长。深度学习特别是卷积神经网络在医学图像分割领域展现出卓越潜力，为自动识别和量化病灶提供了新的解决方案。

10月4日-10月8日，2025年第38届欧洲核医学协会年会(EANM) 在西班牙巴塞罗那隆重举行。在本届大会上，研究人员发表了一项研究，创新性地利用深度学习技术，开发了一款基于3D U-Net架构的卷积神经网络（CNN），实现了对非霍奇金淋巴瘤患者[18F]FDG PET/CT影像中肿瘤病灶的自动精准描绘。该方法在多中心前瞻性临床试验数据上表现优异，达到了Dice相似系数0.889的高准确率，显著提升了肿瘤代谢体积（TMTV）测定的效率和一致性，减少了传统半自动方法的工作负担和人为误差。

研究团队基于nnU-Net框架，从零开始开发了3D U-Net卷积神经网络，用于非霍奇金淋巴瘤患者[18F]FDG PET/CT影像中肿瘤病灶的自动描绘。训练和测试数据来自PETAL多中心前瞻性研究，共收集了1133例患者的PET/CT扫描图像，覆盖6602个肿瘤病灶。 采用五折交叉验证保证模型的泛化能力。标注过程采用迭代策略，由经验丰富的观察者结合辅助中间模型完成，确保了高质量的标注数据。所有病灶均被纳入分析，无论其体积大小或最大放射性摄取值。 模型输出的自动描绘结果与人工标注进行了详细比较，评价指标包括Dice相似系数、敏感性和阳性预测值等，同时分析了漏检病灶的体积分布及自动计算的TMTV与人工计算的相关性。

结果显示，模型在测试集上获得了Dice系数0.889，显示出高度的一致性和准确性。敏感性为0.671，说明绝大多数肿瘤病灶能被成功识别；阳性预测值为0.809，意味着误检率较低。 漏检的肿瘤病灶体积平均为3.3毫升，中位数仅0.5毫升，显示出模型对小体积病灶的识别仍有提升空间。排除极端异常值（最差1%）后，自动与人工测定的TMTV高度相关（R²=0.983），平均绝对误差仅为13.1毫升，而平均TMTV为133.4毫升，表明该模型对于整体肿瘤负荷评估具有较好稳定性和准确性。 此外，自动化流程极大缩短了评价时间，降低了人工干预需求，为大规模临床研究和潜在的临床应用奠定基础。

综上，本研究成功开发了一种基于深度学习的自动化淋巴瘤病灶描绘方法，实现了准确且高效的[18F]FDG PET/CT图像分析。该技术有望成为未来淋巴瘤影像诊断与治疗监测的重要工具，推动影像组学和精准医疗发展。 尽管当前模型表现出色，但对于小体积或低代谢活跃病灶的识别仍存在一定挑战，后续研究可以通过优化模型结构、增加多模态数据融合及引入临床特征等手段进一步提升性能。 此外，实际临床应用中还需考虑跨中心设备差异和患者个体变异，确保模型的鲁棒性和泛化能力。 深度学习辅助的自动描绘不仅缓解了医师工作负担，还能减少人为主观差异，促进影像数据的标准化和量化分析，推动非霍奇金淋巴瘤患者的精准治疗和随访。

参考资料

Deep-Learning-Based Automated Delineation of NonHodgkin Lymphoma in [18F]FDG PET/CT

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。

Tags： EANM 2025：深度学习助力淋巴瘤PET/CT图像自动识别，精准定量迈出关键一步