由柏林查理特醫科大學的Julian Rogasch博士領導的一個研究小組開發了一種機器學習工具，用于幫助評估非小細胞肺癌(NSCLC)患者的縱隔淋巴結轉移。他們發現該模型比PET的視覺評分更準確，并建議它可以幫助醫生制定更準確的治療方案。他們的結果發表在2月23日的《歐洲核醫學和分子成像雜志》上，他們寫道，該模型可以作為網絡應用程序來進一步促進驗證。

Rogasch博士及其同事寫道：“此模型的開發旨在用于常規臨床護理，根據F-18 FDG-PET/CT結果估計N2/3疾病(即存在N1、N2還是N3，這是決定II期和III期疾病的關鍵)的概率。這是基于常規可用的變量，其中大部分已經是常規臨床護理中F-18 FDG-PET/CT報告的一部分。”

在非小細胞肺癌患者中，胸部淋巴結轉移的準確成像對于治療計劃是至關重要的。作者解釋說，患有N0/1疾病的患者通常需要手術，而患有更廣泛的N2/3疾病的患者需要多模式治療。他們指出，雖然F-18 FDG-PET/CT是最有效的方法，但它可能受到假陽性結果的限制，并且經常需要侵入性活檢來確認可疑病例。

為了評估設計用于輔助這些病例的AI模型的價值，研究人員收集了491名非小細胞肺癌患者的數據，這些患者使用模擬PET/CT掃描儀或數字PET掃描儀進行了治療前成像。根據使用的掃描儀將患者分為訓練隊列和驗證隊列，模擬訓練和測試隊列中有385人，數字驗證隊列有106人。

收集了40個臨床變量、腫瘤特征和圖像變量，如淋巴結F-18 FDG放射性示蹤劑攝取(SUVmax)，比較了幾種機器學習方法中變量的不同組合。研究人員選擇了一個含有10個特征值的梯度增強分類器作為最終模型。

上圖來自一名訓練和測試隊列的54歲女性，患有右上葉G2腺癌(44 mm)。幾個肺門和縱隔淋巴結的F-18 FDG攝取量高于正常肝臟(PET評分為3)。藍色箭頭示N2氣管旁淋巴結，短軸7 mm，SUVmax為3.5。根據視覺評估，本例疑似N2疾病。根據梯度增強分類器模型，N2/3的概率僅為0.17。經超聲引導下同側肺門、氣管旁和隆突下LNs經支氣管穿刺活檢證實患者為N0。圖片由《歐洲核醫學和分子成像雜志》通過CC BY 4.0提供。

梯度增強分類器模型顯示，訓練和測試隊列中的AUC顯著高于視覺PET評分(0.91 vs.0.87，p=0.003)，驗證隊列中AUC略高(0.94 vs.0.91，p=0.023)。

作者寫道：值得注意的是，梯度增強分類器模型優于縱隔上方淋巴結放射性示蹤劑攝取的視覺評估，這是視覺F-18 FDG-PET/CT評估中最常見和最有效的診斷閾值。他們還報告說，兩臺掃描儀之間PET圖像的協調確實會影響SUVmax和淋巴結的視覺評估，但不會降低模型的AUC。

為了便于進一步驗證，該小組已將所有變量和機器學習代碼作為開放數據發布，并在GitHub上使用了一個web應用程序。該網絡應用程序需要用戶輸入10個特征值，以計算N2/3疾病的預測概率。

Rogasch博士及其同事表示，研究結果顯示了很好的前景，值得進一步研究。

他們總結道：“我們期待介入試驗中的外部驗證和有效性證明。”