文献速递乳腺技术与安全PETCT

评估18F氟雌二醇PET/CT图像上病灶自动检测工具及其与标准影像学一致性的评估在转移性乳腺癌中的应用

Evaluating Automated Tools for Lesion Detection on 18F Fluoroestradiol PET/CT Images and Assessment of Concordance with Standard-of-Care Imaging in Metastatic Breast Cancer.
PubMed 文献 · Radiol Imaging Cancer · 2025-01-01

该回顾性分析纳入52例乳腺癌患者,训练卷积神经网络在18F-FES PET/CT上自动检测病灶,并评估其与标准诊断CT或18F-FDG PET/CT的一致性。AI模型总体病灶检测中位敏感度为62%,高摄取病灶(SUVmax>1.5)中位敏感度90%(P=.002)。自动一致性分析显示25例中17例(68%)在两种模态中超过半数病灶见于18F-FES PET/CT。

要点

  • AI模型在18F-FES PET/CT上总体病灶检测中位敏感度为62%,高摄取病灶(SUVmax>1.5)中位敏感度为90%(P=.002)。
  • AI联合SUVmax阈值自动判定FES-avid转移的敏感度为90%(37/41,95%CI:76,97),特异度为55%(6/11,95%CI:25,82)。
  • 自动一致性分析显示25例中17例(68%)在两种模态中超过半数病灶见于18F-FES PET/CT。

核心结论

  • AI模型可在18F-FES PET/CT图像上检测病灶,自动化一致性工具可量化18F-FES PET/CT与标准影像之间的异质性。

研究设计与样本

  • 回顾性分析,纳入前瞻性研究中的52例乳腺癌患者,来自Hoag Memorial Hospital Presbyterian,比较18F-FES PET/CT与标准诊断CT或18F-FDG PET/CT检测转移和复发。

关键影像表现/征象

  • AI模型在52例中检测到752个病灶(每例中位数4个,范围0–189),其中502/752(66.8%)SUVmax>1.5 g/mL,443/752(58.9%)体积>0.5 cm3。
  • 第二读片者手动勾画442个病灶(每例中位数1个,范围0–195),其中434/442(98%)SUVmax>1.5 g/mL,376/442(85%)体积>0.5 cm3。
  • 假阳性可见于注射示踪剂的外周静脉;一例漏诊病灶多位于头部和上肢。

诊断标准与关键数值

  • AI模型总体病灶检测中位敏感度为62%,每例0个假阳性;高摄取病灶(SUVmax>1.5)中位敏感度90%(P=.002);大病灶(体积>0.5 cm3)中位敏感度80%(P=.15)。
  • AI模型联合van Geel等描述的SUVmax阈值自动判定FES-avid转移:至少一个AI标注病灶SUVmax>2.5判为有FES-avid转移,至少一个病灶SUVmax在1.5–2.5之间判为可能FES-avid转移,无病灶SUVmax>1.5判为无FES-avid转移。
  • 自动判定FES-avid转移的敏感度为90%(37/41,95%CI:76,97),特异度为55%(6/11,95%CI:25,82)。
  • AI模型在胸部区域(含乳腺)敏感度最高,在骨骼敏感度最低。
  • 第二读片者与原始读片者比较,总体中位敏感度42%,高摄取病灶中位敏感度76%,大病灶中位敏感度67%,每例0个假阳性。

临床应用与阅片要点

  • AI病灶检测工具联合SUVmax阈值可全自动标记患者是否存在FES-avid转移,无需手动输入。
  • 自动一致性分析使用TRAQinform IQ软件匹配不同模态间的病灶ROI,分类为仅18F-FES PET/CT、仅标准影像或两者均见。

局限性

  • 原文未报告局限性。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Imaging Cancer. 2025 May 2;7(3):e240253. doi: 10.1148/rycan.240253

摘要

训练一个人工智能模型在氟18(18F)-氟雌二醇(FES)PET/CT图像上检测病灶,并使用自动化一致性工具测量18F-FES PET/CT与标准诊疗成像之间的异质性。

要点

■ 一个用于在氟18(18F)氟雌二醇(FES)图像上检测病灶的人工智能(AI)模型,其总体病灶检测的中位灵敏度为62%,对于高摄取病灶(最大标准化摄取值[SUV] > 1.5,P = .002)达到更高的中位灵敏度(90%)。

■ 将AI病灶检测与SUV阈值相结合,展示了一种识别具有FES高摄取转移灶、可能适合内分泌治疗的患者的方法。

■ 对25名参与者在18F-FES PET/CT、18F-氟脱氧葡萄糖PET/CT和诊断性CT图像上手动标注的病灶进行自动化一致性分析,结果显示17名参与者(68%)在全部三种模态中检测到的病灶有超过半数存在于18F-FES PET/CT图像上。

引言

乳腺癌仍然是一个重要的健康问题,截至2023年,其占美国新发癌症诊断的近三分之一(1)。尽管乳腺癌表现出异质性的受体特征,但约十分之七表达雌激素受体(ER)(2)。在这些肿瘤中,ER信号在细胞增殖中发挥关键作用。因此,ER靶向治疗被广泛用作一线治疗(3),了解受体状态有助于确定最佳治疗策略。通常,ER状态通过单个病灶的活检来确定,该病灶根据大小、位置和可及性进行选择。然而,活检存在采样误差,原发灶与转移灶之间ER状态不一致已在6%–41%的患者中观察到(4)。此外,单个病灶内的ER状态可能随着疾病进展而发生变化(5,6)。因此,单个时间点单个活检病灶的ER状态可能不能代表患者疾病过程中所有病灶的ER状态。近期研究表明,用于评估ER状态的免疫组化检测识别的是ER的存在,而非其活性(7,8)。因此,尽管患者可能基于组织学表现为ER阳性,但ER可能无功能,可能对激素导向治疗无反应(9)。

目前转移性乳腺癌患者的标准诊疗成像包括随访CT成像,使用实体瘤疗效评价标准来测量肿瘤对治疗的反应(10)。在转移性病例中,氟18(18F)氟脱氧葡萄糖(FDG)PET/CT成像可突出高代谢活性区域,为患者成像提供了重要的额外手段,用于确定预后以及测量治疗反应(11)。然而,CT和18F-FDG PET/CT各有局限性。在CT图像中,骨——转移性乳腺癌的常见转移部位——中的病灶通常不可见。而使用18F-FDG PET/CT时,脑和其他器官的生理性摄取可能局部掩盖病灶检测。此外,浸润性小叶癌组织学类型的乳腺癌代谢活性低,可能在18F-FDG PET/CT图像上不明显(12,13)。最后,这两种成像方法均不能反映病灶当前的ER状态。

18F-氟雌二醇(FES)是一种PET放射性示踪剂,可与具有雌激素结合功能的雌激素受体(ER)结合,从而能够检测ER阳性病灶(14)。美国国家综合癌症网络指南推荐在复发或转移性乳腺癌患者的全身分期检查中,特定情况下使用18F-FES PET/CT(14)。具体而言,他们指出18F-FES PET/CT可用于确定转移性乳腺癌患者的整体ER状态(15),这在病灶难以活检或活检结果不确定时可能有用(16)。他们指出18F-FES PET/CT可确认其他标准诊疗影像模态下模棱两可的病灶(16)。

先进影像技术面临的一个挑战是全面识别和量化病灶以供后续判读所需的时间。在PET图像上手动识别病灶每例可能需要5–60分钟, depending on the disease burden(17)。因此,自动化病灶检测方法可显著节省时间并辅助18F-FES PET扫描的判读。

由于患者间PET摄取、健康组织和扫描仪性能的异质性,自动化病灶检测可能具有挑战性。例如,与旧型号扫描仪相比,新型PET扫描仪可能具有更好的分辨率,尤其是对小病灶。在多种癌症类型(包括乳腺癌)中,已开展了大量关于18F-FDG PET/CT图像自动化病灶检测的开发工作。这些方法大多使用带有Dice损失的U-Net架构,已显示出有前景的结果(18–20)。然而,许多既往方法强调全身疾病负荷的体素级分割和量化,而非个体病灶检测方法,后者会对感兴趣区(ROI)级的假阳性和假阴性进行惩罚(21,22)。强调病灶检测的深度学习架构示例包括Mask R-CNN(23)、Retina Net(24)和Retina U-Net(25)。Retina U-Net架构平衡了Dice分割损失和个体病灶检测,在PET/CT病灶检测中已显示出有前景的结果(26–28)。

本工作介绍了两种用于评估18F-FES PET/CT图像的自动化工具,并探索了其在临床工作流程中的效用。具体而言,训练并评估了一种病灶检测算法自动检测FES亲和性病灶的能力,从而辅助确定患者是否适合内分泌治疗。此外,使用基于规则方法的自动化工具评估了核医学医师在18F-FES PET/CT扫描上识别的病灶与诊断性CT或18F-FDG PET/CT扫描上识别的病灶之间的一致性。我们旨在证明自动化工具在增强18F-FES PET/CT扫描视觉判读方面的可行性。下游目标是将两种算法——自动化病灶检测和一致性分析——整合到单一端到端解决方案中,其中从18F-FES PET/CT图像自动检测的病灶直接输入一致性分析工具。然而,本初期工作分别呈现两种工具的结果,代表每个步骤的概念验证。

材料与方法

研究设计与参与者

这项二次分析纳入了52名乳腺癌参与者,他们在Hoag Memorial Hospital Presbyterian接受了18F-FES PET/CT检查,作为一项前瞻性试验的一部分,该试验比较18F-FES PET/CT与标准治疗18F-FDG PET/CT或CT成像在检测乳腺癌转移和复发方面的作用(ClinicalTrials.gov标识符:NCT04883814 [29])。该研究经西方机构审查委员会Copernicus Group批准后实施,并遵循诊断准确性报告标准指南。GE HealthCare作为研究者发起的试验提供了财务支持。在当前这项工作中,与GE HealthCare有关联的作者(R.M.、M.B.、K.W.)未控制数据的纳入或排除。

经免疫组织化学确认的ER阳性乳腺癌女性患者,年龄18岁或以上,在提供书面知情同意后有资格纳入。妊娠或哺乳期参与者、不愿提供书面知情同意者、男性患者或目前正在使用他莫昔芬或氟维司群的患者被排除在研究之外。完整的研究详情包括参与者纳入和排除标准的流程图可见于Ulaner等人的研究(29)。52名参与者中有36名接受了诊断性CT以及18F-FES PET/CT;14名接受了18F-FDG PET/CT和18F-FES PET/CT;1名接受了所有三种成像方式(标准治疗CT、18F-FES PET/CT和18F-FDG PET/CT)。

参与者属于两个研究组之一。第一组包括新诊断的2期或3期乳腺癌参与者,他们正在接受成像以检查疑似远处转移。第二组包括正在接受成像以检测疑似复发的参与者。因此,由于纳入标准的性质,第一组中没有参与者接受过任何既往治疗,而第二组中的所有参与者至少接受过一轮既往治疗。

成像方案

参与者在标准治疗成像(CT或18F-FDG PET/CT)后14天内接受18F-FES PET/CT成像。在PET/CT成像前经静脉给予约5 miCi的FES。标准治疗CT和18F-FDG PET/CT按照标准临床方案进行。

病灶标记

病灶由一位经验丰富的核医学医师(S.C.,具有13年经验)在18F-FES PET/CT图像上手动勾画,使用18F-FES PET图像以及在专用PET/CT扫描仪上采集的用于PET衰减校正的相关CT图像。病灶基于以下异常模式进行识别:(a) 18F-FES PET图像上高摄取且衰减CT图像上呈异常模式的区域,(b) PET图像上高摄取但衰减CT图像上表现正常的区域,以及(c) 衰减CT图像上表现异常但无FES亲和性的区域。在本研究中,所有类别的病灶均被视为确诊恶性肿瘤。

此外,由同一位核医学医师在25名参与者的子集中,在标准诊疗CT和/或18F-FDG PET/CT图像上手动勾画病灶,以评估18F-FES PET/CT与标准诊疗图像之间的一致性。该参与者子集是从在一种或两种成像方式上均有疾病的参与者中随机选择的。共勾画了13幅CT图像和13幅18F-FDG PET/CT图像,其中一名参与者接受了全部三种成像方法(18F-FES PET、18F-FDG PET和CT)。

为评估18F-FES PET/CT勾画的阅片者间变异性并为自动病灶检测方法建立基准,18F-FES PET/CT图像由第二位阅片者(Laurence Vass,拥有12年核医学勾画经验)进行勾画。

自动病灶检测

使用Retina U-Net架构(25)的深度学习模型通过五折交叉验证在52次18F-FES PET/CT检查上进行病灶检测训练。因此,共训练了五个模型,开发集中有41或42次检查,测试集中有10或11次检查,所有参与者图像在测试集中恰好被包含一次。由于开发集中检查数量有限,选择少量检查(两次)用于监控和学习率调度。其余检查用于训练。

采用Retina U-Net架构和训练方案是因为它结合了分割分支和病灶检测分支的损失,从而与仅分割网络(如U-Net)相比,更平等地权衡小病灶的损失。Retina U-Net按照Jaeger等(25)的方法实现,并有以下配置更改:使用两个输入通道,一个用于18F-FES PET,一个用于衰减校正CT图像,两者均重采样至相同的网格大小2.0 × 2.0 × 2.0 mm,选择该大小以平衡PET图像的低分辨率和CT图像的高分辨率。从训练检查中提取大小为128 × 128 × 128的图块,使用类别平衡以确保至少20%的采样图块包含从PET/CT检查中即时提取的病灶。训练期间应用随机旋转和缩放的数据增强。训练使用批次大小为二,在随机初始化后从头开始进行250个 epoch,一个 epoch 定义为1200个训练批次。损失使用Adam优化器进行优化,并采用动态学习率调度,当平均精度进入平台期时将学习率降低四分之一。使用监控数据集中平均精度最高的五个 epoch 的模型权重进行推理,取各自概率的平均值。最终输出使用0.5概率截断点转换为二值掩膜。

使用自由响应受试者工作特征范式来描述模型性能,其中性能由灵敏度(医师识别的ROI中也被卷积神经网络(CNN)检出的比例)和每幅图像的假阳性数(CNN检出但医师未识别的ROI数量)来描述。该方法与自动化CNN病灶检测的评估一致,其中不存在“真阴性病灶”的概念,且体素级特异度不适用,因为图像中的大多数体素为真阴性(21)。任何位于参考标准病灶10 mm范围内的预测ROI被归类为真阳性,任何两个彼此相距10 mm以内的假阳性计为单个假阳性。需要注意的是,由于PET成像的低分辨率,该缓冲距离约为2个体素。

FES亲和性转移灶的自动识别

参与者中FES亲和性转移灶的存在通过18F-FES PET/CT图像中AI标记的病灶以及van Geel等人研究中描述的SUV最大值(SUVmax)阈值自动确定(15)。简言之,至少有一个AI标记病灶且SUVmax大于2.5的参与者被标记为具有FES亲和性转移灶;至少有一个病灶且SUVmax在1.5至2.5之间的参与者被标记为“可能存在FES亲和性转移灶”;没有任何病灶SUVmax高于1.5的参与者被标记为无FES亲和性转移灶。该过程也使用核医学医师手动绘制的轮廓完成。

自动一致性分析

使用TRAQinform IQ软件(AIQ Solutions)对图像进行分析,以自动量化18F-FES PET/CT、18F-FDG PET/CT和标准诊疗诊断CT扫描上医师勾画的病灶ROI,并在不同模态之间匹配ROI(17,30)。TRAQinform IQ根据病灶在任一或两项检查中的存在情况进行分类:仅18F-FES PET/CT、仅标准诊疗(18F-FDG PET/CT或诊断CT),或同时见于18F-FES PET/CT和标准诊疗检查。TRAQinform IQ是一种软件医疗器械,通过对多次CT或PET/CT扫描的增强软件分析,对解剖和功能变化进行全面的ROI级评估,包括示踪剂摄取的总变化和个体变化、放射密度体积以及变化异质性,并附带解读。

统计分析

对于病灶检测算法,整体(所有52名参与者)对所有病灶的性能进行了量化。此外,仅在SUVmax大于1.5的ROI中以及单独在体积大于0.5 cm3的ROI中评估了性能。敏感性的差异使用配对Wilcoxon检验进行评估,P值小于0.05判定为具有显著性。参考标准病灶和预测ROI使用TRAQinform IQ的器官和区域分割工具(AIQ Solutions)根据其位置进行分类。本分析提取的位置为整个骨骼和胸部区域(包括乳腺)。对于一致性分析,对每位患者的每个类别中病灶的数量和百分比进行了量化。这在25名参与者的子集中完成:13例18F-FES与18F-FDG比较,13例18F-FES与诊断性CT比较,其中一名患者因接受了全部三种影像采集而同时纳入两项比较。统计分析使用Python 3.9版本和R 4.4.0版本进行。

结果

参与者特征

患者信息汇总,包括所进行的影像检查类型、亚型、原发肿瘤分级、组织学激素受体状态和癌症分期,见表1。排除的患者数量、患者平均年龄及进一步研究详情可参见Ulaner等人的研究(29)。

表1:参与者特征 查看原表 ↗

自动病灶检测与量化

在52名参与者中,算法在18F-FES PET扫描上共检测到752个病灶(每位患者中位数:4个;范围,0–189)。其中,752个中的502个(66.8%)SUVmax大于1.5 g/mL(2个;范围,0–188),752个中的443个(58.9%)体积大于0.5 cm3(3个;范围,0–138)。

图1展示了六例18F-FES PET/CT示例图像及自动检测结果,上排显示模型准确度等于或高于中位数的病例,下排突出显示准确度较低的病例(低敏感性或大量假阳性区域)。此外,图1(1F1、1F2)在一名患者中展示了模型检测低摄取病灶(图1F1)或小体积病灶(图1F2)的准确性。可以注意到,模型主要检测到较大的病灶(体积>0.5 cm3)和摄取较高的病灶(SUVmax>1.5)。

图2显示了所有52名参与者的量化敏感性和假阳性,并按区域的SUVmax和体积对性能进行了表征。列出每位患者模型性能的表格见表S1。所有病灶的中位性能为敏感性62%,每位患者0个假阳性。AI模型在检测高摄取病灶(SUVmax>1.5,P=0.002)方面表现出更高的敏感性(中位数90%),与整体病灶检测相比。然而,没有证据表明检测大病灶(体积>0.5 cm3,中位敏感性80%,P=0.15)的敏感性与整体病灶相比存在差异。表2展示了模型在全身、仅胸部软组织和仅骨骼中的准确性及IQR。仅胸部病灶(包括乳腺病灶)的敏感性最高,骨骼病灶的敏感性最低。

在52名参与者中,第二位FES阅片者(Laurence Vass)共勾画了442个病灶(每位患者中位数:1个;范围0–195)。其中,442个病灶中有434个(98%)的SUVmax大于1.5 g/mL(1个;范围0–192),442个病灶中有376个(85%)的体积大于0.5 cm3(1个;范围0–166)。将该阅片者与原始FES阅片者(S.C.)进行比较时,第二位阅片者的中位灵敏度为42%,每位患者0个假阳性。在SUVmax大于1.5的病灶中,第二位阅片者(Laurence Vass)的中位灵敏度为76%,每位患者0个假阳性;在体积大于0.5 cm3的病灶中,第二位阅片者(Laurence Vass)的中位灵敏度为67%,每位患者0个假阳性。

图1:乳腺癌女性中氟18(18F)-氟雌二醇(FES)PET/CT自动化病灶识别的示例扫描图,突出显示真阳性(绿色)、假阳性(红色)和假阴性(蓝色)。(A)参考标准标注中的所有四个病灶均被模型检出(灵敏度100%)。(B)46个病灶中有33个被模型检出(灵敏度72%),而13个病灶未被检出(假阴性)。此外,模型还标注了三个专家阅片者未标注的区域(假阳性)。这些假阳性位于注射示踪剂的外周静脉处。(C)模型检出了72个病灶中的46个(灵敏度63%),但发现了两个额外区域(假阳性)。(D)一例灵敏度相对较高(检出189个病灶中的167个,88%)但存在八个假阳性的病例。该病例大多数漏检病灶位于头部和上肢。假阳性位于右股骨和左股骨,可能提示人类阅片者漏检的病灶。(E)该病例显示注射示踪剂的外周静脉处有大量假阳性。同时,模型未能检出胸部的所有病灶。 (F)模型仅检出参考标准中标注的29个总病灶中的10个(灵敏度34%)。同一参与者的图像显示于图F中,突出显示具有(F1)低示踪剂摄取(最大标准化摄取值[SUVmax] < 1.5)和(F2)小病灶(体积 < 0.5 cm3)的病灶。 查看原图 ↗
图2:自动化病灶检测算法的准确性。三维条形图显示该模型在多名患者中具有相同的性能。当结果中包含所有病灶时,中位性能为灵敏度62%,每位患者0个假阳性,且该算法在52名参与者中的10名中表现完美(灵敏度100%且无假阳性)。然而,如果仅纳入高摄取病灶(最大标准化摄取值[SUVmax] > 1.5),中位性能为灵敏度90%,每位患者0个假阳性,且模型在52名参与者中的16名中表现完美。最后,如果从分析中去除小病灶(体积 < 0.5 cm3),中位性能为灵敏度80%,每位患者0个假阳性,且该算法在52名参与者中的16名中表现完美。 查看原图 ↗
表2:人工智能模型在全身、仅胸部区域和仅骨骼中的病灶检测准确性 查看原表 ↗

FES亲和性转移灶的自动化识别

表3展示了哪些参与者在成像时无FES高摄取转移灶、可能有FES高摄取转移灶或有FES高摄取转移灶,使用了人工智能和人工标注病灶以及van Geel等(15)研究中定义的SUV阈值。在11名使用人工标注病灶被标记为无FES高摄取转移灶的参与者中,10名在18F-FES PET/CT成像前接受了原发肿瘤切除(肿物切除术或全乳房切除术)。同样,在10名根据人工智能标注病灶被标记为无FES高摄取转移灶的参与者中,9名在成像前接受了原发肿瘤切除。在这两例未包括原发肿瘤切除的病例中,原发病灶对其他治疗有反应,且在成像时18F-FES PET上不明显(SUVmax < 1.5)。

用于检测病灶的人工智能工具,当与van Geel等(15)研究中定义的阈值结合使用时,检测哪些参与者有FES高摄取转移灶(包括FES高摄取转移灶和可能有FES高摄取转移灶)的灵敏度为90%(37/41,95% CI:76,97),且无需人工输入。然而,该自动化工具在未能检测到病灶时,错误地将4名参与者标记为无FES高摄取转移灶(4例中3例为低摄取:SUVmax < 2.5)。同样,由于部分参与者存在假阳性病灶,5名参与者被错误标记为有FES高摄取转移灶,导致总体特异度为55%(6/11,95% CI:25,82)。完整混淆矩阵见图3。

表3:医师人工标注与自动病灶轮廓标注之间FES高摄取转移灶存在与否标签的比较 查看原表 ↗
图3:混淆矩阵展示了人工智能方法将患者标记为有(或可能有)乳腺癌转移或无转移的准确性。Met = 转移。 查看原图 ↗

自动一致性分析

对25名参与者子集中18F-FDG PET/CT和标准诊疗诊断CT一致性分析的总体结果见图4。疾病异质性,定义为至少有一个病灶出现在一种模态但未出现在两种模态中,在比较18F-FES PET/CT与18F-FDG PET/CT时存在于13例中的12例,在比较18F-FES PET/CT与诊断CT时存在于13例中的11例。在所有分析的参与者中,仅25名中的1名(4%)在18F-FES PET/CT上未检测到病灶。在25名参与者中的17名(68%)中,超过一半的检出病灶存在于18F-FES PET/CT上。同样,在25名参与者中的18名(72%)中,超过一半的检出病灶存在于标准诊疗图像(18F-FDG PET/CT或诊断CT)上。25名参与者中的6名(24%)其大部分病灶仅通过18F-FES PET/CT检测到。随机选择进行一致性分析的4名参与者患有浸润性小叶癌(图4)。这4名参与者中的3名显示很大比例的病灶(>70%)仅在18F-FES PET/CT上检测到。图5和图6显示了个体参与者比较18F-FDG PET/CT与18F-FES PET/CT(图5)以及诊断CT与18F-FES PET/CT(图6)的一致性图。特别是,图5突出显示了一名患有浸润性小叶癌的参与者,其中仅2个病灶为FDG高摄取,而有46个病灶为FES高摄取。

图4:自动一致性分析的整体结果,显示由核医学医师手动检出的病灶在每种成像方式下的数量(上排)和百分比(下排)。左侧两幅图显示比较氟18(18F)-氟雌二醇(FES)PET/CT与18F-氟脱氧葡萄糖(FDG)PET/CT的结果,右侧两幅图显示比较18F-FES PET/CT与标准治疗CT的结果。浸润性小叶癌参与者以加粗和星号标示。 查看原图 ↗
图5:在一名选定的浸润性小叶癌参与者中,自动一致性工具(中图)突出显示两个病灶(绿色),这两个病灶在(左图)氟18(18F)-氟脱氧葡萄糖(FDG)PET/CT和(右图)18F-氟雌二醇(FES)PET/CT图像中均被发现,而44个病灶(浅蓝色)仅在18F-FES PET/CT图像中被识别,仅18F-FDG PET/CT图像中未发现任何病灶。 查看原图 ↗
图6:在一名选定的参与者中,自动一致性工具(中图)突出显示24个病灶(深蓝色),这些病灶在标准治疗CT图像(左图)和氟18(18F)-氟脱氧葡萄糖(FES)PET/CT图像(右图)中均被发现;128个病灶(浅蓝色)仅通过18F-FES PET/CT被识别,两个病灶仅通过标准治疗CT被发现。七个病灶位于CT视野之外(灰色)。 查看原图 ↗

讨论

本研究介绍了两种自动图像分析工具及其在利用18F-FES PET/CT成像管理转移性乳腺癌患者中的应用和临床使用场景。首先,在小数据集中的探索性结果显示,病灶检测算法在检测FES高摄取的可能恶性病灶方面能够达到优异性能,在SUVmax大于1.5的病灶中中位灵敏度为90%。其次,对18F-FES PET/CT和标准治疗图像上的参考标准病灶进行了自动一致性分析,突出了转移性乳腺癌在不同病灶和参与者之间的解剖、功能和分子异质性,13例中有12例显示出疾病异质性的证据。这种自动化方法在更大数据集中扩展和验证后,有潜力评估患者所有病灶中功能性ER的存在,目前由于转移性患者可能存在大量病灶,手动评估不可行。

据作者所知,本文提出了首个用于18F-FES PET/CT图像病灶检测的人工智能模型。尽管此前已有几项研究将人工智能方法应用于转移性乳腺癌患者18F-FDG PET/CT扫描的自动病灶检测,但研究往往限制了病灶检测的范围,例如仅旨在检测骨病灶(31)或明显高于PET本底的病灶(18)。在Moreau等(19)的研究中,使用60幅18F-FDG PET/CT图像训练了一个nnU-Net模型以检测转移性乳腺癌病灶。该研究报告基线图像的平均病灶检测灵敏度为72%,随访图像为43%,但未描述人工参考标准分割是否包含低摄取PET病灶,也未说明在高于某一SUVmax阈值的病灶中灵敏度是否更高。该性能与本研究报道的检测灵敏度相似(中位数62%),而Retina U-Net方法在SUVmax大于1.5 g/mL的病灶中实现了90%的中位灵敏度。由于人工分割的752个病灶中分别有502个(67%)和443个(59%)的SUVmax大于1.5 g/mL或体积大于0.5 cm3,检测低摄取小病灶灵敏度降低可能归因于数据不平衡、这些病灶外观的异质性更大,或与高摄取较大病灶相比影像学异常更为细微。例如,低摄取病灶可能因在CT图像上表现为异常模式而在18F-FES PET图像上表现为正常模式,从而使模型更难学习检测。胸部软组织区域的病灶检测灵敏度高于骨骼,尽管样本量限制无法进行统计学检验。事实上,52名参与者中有49名(94%)在胸部有病灶,而仅15名(29%)在骨骼有病灶。结合类别平衡技术,更大的训练数据集可能提高模型检测小病灶或低摄取病灶的灵敏度。此外,更大的训练数据集可能减少与许多图像中常见现象(如注射部位摄取)相关的假阳性数量。

自动化一致性分析应用于所有图像模态的参考标准病灶轮廓,说明了18F-FES PET/CT在转移性乳腺癌患者若干临床应用中的效用。首先,结果显示子集中有六名参与者的大多数病灶仅在18F-FES PET/CT上检出。在这些参与者以及其他仅在18F-FES PET/CT上检出病灶的参与者中,基于这一发现可能适合改变患者管理。在标准诊疗成像模态如诊断性CT和18F-FDG PET/CT中,由于其高敏感性和低特异性,常见到模棱两可的病灶。更具体地说,在浸润性小叶癌患者中,肿瘤通常代谢活性低,因此在18F-FDG PET/CT扫描上不具有高摄取(12,32)。因此,对于该患者群体,任何ER阳性病灶将在18F-FES PET/CT检查中检出,但在18F-FDG PET/CT中不会检出。尽管病灶可能在PET/CT的衰减校正部分可见,但未用于一致性分析,因为衰减CT的质量因采集方案和参数而差异很大。因此,在进行18F-FES与CT比较的一致性分析时,仅使用诊断性CT,尽管其视野小于PET/CT。

在该患者群体中,18F-FES PET/CT的阅片者间变异性较差;然而,这主要是由于第二阅片者主要勾画高摄取(SUVmax > 1.5)病灶。事实上,第一阅片者(S.C.)勾画的752个病灶中有502个(67%)SUVmax大于1.5,而第二阅片者(Laurence Vass)勾画的442个病灶中有434个(98%)SUVmax大于1.5。这可能由两位阅片者之间的经验差异解释,第一阅片者接受的是普通核医学医师培训并勾画异常的衰减校正CT表现。另一方面,第二阅片者专门接受18F-FES PET勾画培训,因此仅专注于勾画高FES摄取病灶。这一差异凸显了生成PET成像参考标准数据集的困难,因为不清楚模型应被训练来检测CT图像上的异常还是仅检测具有高放射性示踪剂亲合力的疾病。实际上,方法将取决于所需应用:如果需要估计放射性示踪剂亲合力,低摄取病灶可排除在参考标准数据集之外。相反,如果希望检测所有异常以用于诸如生成患者报告中的计算机辅助检测等应用,则可能包括FES阴性病变。

在用于判断患者是否存在FES亲和性转移灶的决策树中,若一个(或多个)病灶的SUVmax大于1.5,则患者被标记为具有(或可能具有)FES亲和性转移灶(15)。在具有一个以上病灶的参与者中,这一患者层面标记的准确性较少依赖于对单个病灶的准确检测,而可以仅依赖于发现任何病灶。然而,在52名参与者中的20名中,自动化状态(是否具有FES亲和性转移灶)是由单个病灶决定的(或在某些参与者中为无任何病灶)。因此,该工具在自动化判断高疾病负担和低疾病负担参与者是否具有或不具有FES亲和性转移灶方面被证明是熟练的(灵敏度为90%)。然而,高假阳性率导致了低特异度(54.5%),这可以通过更大的训练集来改善,使模型能够更好地学习健康与病理性示踪剂摄取之间的差异。

越来越多的文献研究了病灶间异质性对治疗反应和患者结局的影响,表明具有FES阴性病灶的患者对内分泌治疗的反应较差(33–35)。最近一项研究(35)证明了测量全身异质性对于预测内分泌治疗反应的重要性。然而,取决于疾病负担,标记PET/CT扫描中的所有病灶每个病例可能需要50–60分钟(17),这在临床环境中是不可行的。van Geel等人的研究(35)表明,更快的捷径方法,如视觉异质性评估和“五个最大病灶”方法,不足以预测反应,需要全身病灶检测以及与18F-FDG PET/CT的一致性。本研究中提出的两种工具,用于自动病灶检测和一致性分析,旨在促进全身一致性分析,使其在临床上可行。本文提出的自动病灶检测算法在标准工作站上运行需要1至3分钟,取决于视野大小。因此,即使对检测到的病灶进行审查和确认,该工具在进行全身异质性评估时也具有显著节省时间的潜力。

18F-FES PET成像的一个陷阱是,任何FES亲和性肝转移灶都会被肝脏中高的生理性摄取所掩盖。对于病灶检测模型,模型的准确性是基于对18F-FES PET图像的参考标准判读来计算的。因此,读者手动未识别出任何肝脏病灶,因为肝脏病灶也无法被人眼看到。在随机选择用于一致性分析的图像子集中,只有一名患者在标准治疗图像(18F-FDG PET/CT)上发现了病灶。如所预测的那样,该病灶在18F-FES PET/CT检查中未被识别。

本研究存在诸多局限性。由于数据集规模有限以及缺乏进一步的影像学检查和随访,本研究中呈现的不一致原因无法进一步分析。该研究的另一个局限性在于,在这项概念验证工作中,一致性分析是使用各模态手动勾画的病灶进行的。本研究中进行的一致性分析只能通过自动化实现;在临床环境中,跨模态对所有病灶进行手动检测、分割和匹配是不可行的(35,36)。本研究使用的匹配方法已被证明其性能与该任务中医师间变异性相似(17)。在所有模态上进行全自动病灶检测算法并在此基础上进行自动一致性评估,将提供最全面的方法,以实现对转移性疾病患者所有病灶的量化和表征。尽管这对未来工作具有意义,但本研究未采用该方法。在临床工作流程中,全自动方法可能对辅助全身治疗和靶向治疗的决策具有重要意义。

其他需要注意的重要局限性包括:自动病灶检测方法的结果属于探索性研究,尽管我们进行了交叉验证作为确保模型泛化性的步骤,但我们的结果并不代表在外部验证数据集中的性能。需要进一步的工作来收集更大的数据集、确定最佳网络架构,并在多个影像中心验证该工具。有了更大的数据集,还可以生成自由响应操作者曲线,以调整操作点以获得更高的灵敏度和更低的特异度。本研究未进行此项工作,因为每折交叉验证的调优数据集(两次扫描)太小,无法确定应用于留出数据的最佳操作点。此外,从经验丰富的核医学医师共识中收集的参考标准轮廓可以提高训练和测试数据的一致性。这在—例含有189个参考标准病灶的18F-FES PET/CT图像示例中显而易见,模型检测到8个假阳性。在这8个假阳性中,有5个位于腿部高摄取区域,这些区域可能是医师因勾画如此高疾病负荷患者的病灶导致疲劳而遗漏的真阳性。通过核医学医师小组进行共识勾画将减少医师疲劳在这些高负荷病例中的影响。最后,尽管选择Retina U-Net架构是为了在优化过程中同时强调病灶检测和分割,但与在医学图像分割任务中表现良好的自配置nnU-Net(37)进行比较值得作为未来工作。

总之,本研究介绍了一种人工智能模型,该模型经过训练可在18F-FES PET/CT图像上检测病灶,同时还介绍了一种自动化一致性工具,用于测量18F-FES PET/CT与标准治疗成像之间的异质性。利用这些工具,我们展示了如何将自动化工具用于快速检测转移性乳腺癌患者的病灶,并判断患者是否存在ER阳性转移灶。该判断随后可用于决定患者是否适合接受内分泌治疗。所提出的自动化一致性工具将使临床医生能够在患者具有一种以上类型成像时快速评估病灶间异质性。在未来的工作中,计划通过将两种模态(18F-FES PET/CT和18F-FDG PET/CT或诊断性CT)中自动检测到的病灶输入一致性工具,从而将所介绍的两个工具连接起来。此外,在未来的研究中,需要分析不一致结果与肿瘤亚型和既往治疗的关系。进一步,应在更大的人群中开展跨多种标准治疗成像模态(例如,18F-FES PET与CT和18F-FDG PET两者)的相关性分析。

引用

  1. Miller R, Battle M, Wangerin K, et al. Evaluating Automated Tools for Lesion Detection on 18F Fluoroestradiol PET/CT Images and Assessment of Concordance with Standard-of-Care Imaging in Metastatic Breast Cancer. Radiol Imaging Cancer. 2025. PMID: 40314583. doi:10.1148/rycan.240253
  2. 全文:PMC12134609(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12134609/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。