用于 follicular lymphoma 早期进展（POD24）和生存情况分层的深度学习 PET/CT 生物标志物：一项多中心研究

《European Journal of Nuclear Medicine and Molecular Imaging》：A deep learning PET/CT biomarker for early progression (POD24) and survival stratification in follicular lymphoma: a multicenter study

多中心回顾性研究纳入309例新发FL患者，基于基线1?F-FDG PET/CT提取高 throughput radiomic特征，构建并比较传统机器学习与深度学习模型（含GAMformer）。结果显示DLS对POD24预测训练AUC 0.857，验证AUC 0.753；多参数模型AUC（0.882/0.797）优于FLIPI系列，决策曲线分析显示临床获益，DLS在生存分层及不同病理分级中均保持预测效能。

　　

摘要

目的

利用基于基线[1?F]FDG PET/CT数据的表格深度学习方法，开发并验证一种预后成像生物标志物，以预测滤泡性淋巴瘤（FL）患者24个月内的疾病进展（POD24）并对其进行生存风险分层。

方法

这项回顾性多中心研究纳入了来自五个独立医疗中心的309名新诊断的滤泡性淋巴瘤（FL）患者（分期为1-3a）。从基线[1?F]FDG PET和CT图像中分割出的肿瘤体积被用来提取高通量放射组学特征。研究人员开发并比较了五种传统的机器学习算法和四种先进的表格深度学习模型。GAMformer模型的预测输出被定义为深度学习评分（DLS）。将DLS与临床变量和PET代谢参数结合，构建了一个多参数模型。通过接收者操作特征曲线下面积（AUC）、校准曲线和决策曲线分析来评估模型性能，并在验证队列中进一步验证该模型。

结果

在中位随访时间为44个月的情况下，有55名患者出现了疾病进展（POD24）。DLS在预测POD24方面表现出很强的性能（训练AUC = 0.857；验证AUC = 0.753）。多参数模型进一步提高了区分度，在训练队列中的AUC为0.882，在验证队列中的AUC为0.797，其性能优于FLIPI、FLIPI-2和PRIMA-PI。校准结果显示良好的一致性，决策曲线分析表明具有较高的净临床效益。DLS能够对生存风险进行分层（P < 0.05），并且在不同组织学分期中仍能准确预测生存情况和POD24。

结论

基于基线[1?F]FDG PET/CT数据得到的DLS能够预测滤泡性淋巴瘤患者的24个月内疾病进展（POD24）并准确进行生存风险分层，这支持了其在精准医疗管理中的潜在作用。