基于PET/3D-UTE影像组学模型可无创评估非小细胞肺癌淋巴结转移

河南人民医院团队研究成果发表于European Radiology，为NSCLC术前评估提供低辐射新方案

近日，河南省人民医院王梅云教授团队（孟楠博士为第一作者）在国际权威期刊《European Radiology》发表题为《An [¹⁸F]FDG PET/3D-ultrashort echo time MRI-based radiomics model established by machine learning facilitates preoperative assessment of lymph node status in non-small cell lung cancer》的研究成果。该研究基于联影uPMR790时空一体超清TOF PET/MR及uEXPLORER全身PET/CT平台，构建并验证了一种结合¹⁸F-FDG PET与3D超短回波时间（3D-UTE）MRI的影像组学机器学习模型，用于术前无创评估非小细胞肺癌（NSCLC）患者的淋巴结（LN）转移状态。

肺癌是全球范围内发病率和死亡率最高的恶性肿瘤之一，其中约85%为NSCLC。淋巴结转移是决定治疗策略和预后的重要因素。对于存在LN转移的患者，系统性淋巴结清扫有助于改善生存率；而对于无转移者，此类手术不仅无益，反而可能引发淋巴水肿等并发症，增加医疗负担。因此，精准术前评估LN状态至关重要。

传统CT和¹⁸F-FDG PET/CT虽广泛应用于LN转移判断，但受限于软组织分辨率不足及电离辐射暴露等问题。相比之下，¹⁸F-FDG PET/MR兼具高软组织对比度与低辐射优势，在肿瘤评估中展现出潜力。然而，常规MRI在肺部成像中因质子密度低、信号衰减快及呼吸运动伪影而应用受限。3D-UTE MRI技术通过极短回波时间采集自由感应衰减信号，采用径向k空间填充与膈肌导航技术，有效克服上述难题，显著提升肺部结构显示能力，成为联影针对肺部成像挑战的核心解决方案。

本研究纳入145例NSCLC患者（LN阳性96例，阴性49例），收集其年龄、性别、吸烟史、癌胚抗原水平等临床数据。所有患者先后接受¹⁸F-FDG PET/CT全身扫描及肺部¹⁸F-FDG PET/MR检查（间隔约6分钟）。利用联影uAI 2.2.0软件对3D-UTE、CT和PET图像进行感兴趣区域分割，并提取影像组学特征。经特征筛选后，构建包含随机森林（RF）、高斯过程（GP）、偏最小二乘判别分析（PLS-DA）、二次判别分析（QDA）和支持向量机（SVM）在内的五类机器学习分类器，结合六种特征组合模型（临床信息、3D-UTE、PET、CT、PET/MR= PET/3D-UTE+临床信息、PET/CT= PET/CT+临床信息），共形成30个预测模型。

图1. 预测NSCLC患者LN转移状态的影像组学分析和机器学习工作流程

结果显示，PET/CT与PET/MR模型在训练集与测试集中均优于单一模态或临床模型，表现出更高的诊断效能。Hosmer-Lemeshow检验与校准曲线（图2）表明，PET/MR模型具有良好的拟合度（H–L test: p=0.212, 0.646；C-index = 0.912, 0.791），预测概率与实际观测结果高度一致。