Deep Learning for Automated Measures of SUV and Molecular Tumor Volume in [ 68 Ga]PSMA-11 or [ 18 F]DCFPyL, [ 18 F]FDG, and [ 177 Lu]Lu-PSMA-617 Imaging with Global Threshold Regional Consensus Network.
研究背景
转移性去势抵抗性前列腺癌（mCRPC）死亡率高、治疗选择有限。放射性药物疗法如[177Lu]Lu - PSMA - 617受PSMA表达和代谢活性影响，且目前自动测量这些指标的方法准确性有限。本研究旨在优化计算方法，提高自动测量PSMA和[18F]FDG PET影像中疾病负担的准确性，改善治疗选择和预后评估。
方法速览
研究团队开发了基于nnU - Net的分割框架GTRC - Net，包括功能图像阈值化、候选子区域分离、体素分类和子区域共识预测四个阶段。数据集含676个[68Ga]PSMA - 11或[18F]DCFPyL PET、390个[18F]FDG PET和477个LuPSMA SPECT图像。采用5折交叉验证进行模型训练和验证，并在外部测试集验证。
主要发现
- 高精度的疾病范围分割：GTRC - Net模型分割疾病范围时，[68Ga]PSMA - 11或[18F]DCFPyL PET、[18F]FDG PET、LuPSMA SPECT的平均体积Dice相似系数分别为0.94、0.84、0.97。外部测试集中，PSMA和FDG PET的Dice准确度分别为0.95和0.84。与初始nnU - Net分割相比，GTRC - Net共识后处理显著提高边界定义准确性。
- 定量生物标志物的高度一致性：自动衍生的定量生物标志物与专家标注高度一致，表明自动方法能准确量化疾病负担。
- 肝脏病变检测的改进：GTRC - Net在PETPSMA、PETFDG和SPECTLuPSMA中的敏感性分别为73.7%、81.8%和93.3%，特异性分别为98.4%、98.1%和99.6%，SPECTLuPSMA在肝脏病变检测中表现最佳。
- 临床阈值的分类准确性：根据既定临床阈值，自动方法分类准确性约为98%，在临床应用中可靠性高。
总结展望
本研究创新性在于任务导向优化、多模态适用性和开放源代码。但也存在肝脏病变检测有一定误检率、小病灶检测需优化、数据集有局限性等问题。总体而言，该研究为前列腺癌治疗选择和预后评估提供了更准确的方法。