Objectives

本研究提出一個可解釋的機器學習 (ML) 模型，利用從動態 18F-fluorodeoxyglucose (18F-FDG) 正子斷層掃描/電腦斷層掃描 (PET/CT) 提取的動態特徵，來區分良性與惡性肺部病灶。核心貢獻在於證明結合來自經動力學模型分解的時間活動曲線 (TACs) — 代表代謝與血流成分 — 所衍生的特徵，其診斷效能顯著優於傳統指標，如最大標準攝取值 (SUVmax) 或 FDG 淨流入率 (Ki)。

Methodology

研究方法包括：

• 獲取 60 分鐘的動態 18F-FDG PET/CT 掃描影像。
• 提取病灶的 TACs 以及來自降主動脈的影像衍生輸入函數 (IDIF)。
• 使用不可逆雙室動力學模型將病灶 TAC 分解為血流 (Cb)、游離 (Cf) 和代謝 (Cm) 成分。
• 從分解後的 TACs 中提取 12 個動態特徵，包括曲線下面積 (AUC)、達峰時間 (tpeak)、最大攝取值 (Cpeak) 及斜率 (Slope0-peak, Slopepeak-60)。
• 使用 Least Absolute Shrinkage and Selection Operator (LASSO) 篩選出 7 個最相關的特徵。
• 針對訓練數據集 (187 位病人) 中的數據不平衡問題，採用 smooth bootstrap oversampling 方法處理。
• 使用選定的特徵訓練一個 bagging 分類器 (決策樹集成) 來預測病灶的良惡性狀態。
• 使用 SHapley Additive exPlanations (SHAP) 來解釋特徵重要性。

Results

模型的效能透過內部驗證 (187 位病人的交叉驗證) 和外部驗證 (42 位病人) 進行了評估。

• 內部交叉驗證：ML 模型達到了 0.89 的 AUC (敏感度=0.80, 特異度=0.88)，顯著優於 SUVmax (AUC=0.79) 和 Ki (AUC=0.76) (兩項比較的 DeLong 檢定 p<0.001)。
• 外部測試：模型展現了良好的泛化能力，AUC 為 0.86 (敏感度=0.83, 特異度=0.89)，相較於 SUVmax (AUC=0.72) 和 Ki (AUC=0.71)。
• 預測分數 (PS)：模型的 PS 在區分良性與惡性組別上顯示出顯著更佳的分離效果 (Cohen's effect size=1.71, p<0.001)，優於 SUVmax (effect size=0.96) 和 Ki (effect size=0.81)。
• 特徵重要性 (SHAP)：關鍵貢獻特徵包括 Cm 的 Cpeak、Cm 的 Slope0-peak、Cb 的 tpeak、Cb 的 AUC 以及 Cf 的 Slope0-peak。

Discussions

本研究提出了一個有價值的方法，利用分解後 TAC 成分 (代謝與血流) 的特徵進行肺部病灶分類。 限制與建議：

• 對動力學模型的依賴：雖然研究聲稱分解後的訊號對誤差的敏感度低於像 Ki 這樣的動力學參數，但分解過程本身仍依賴動力學模型。應更系統地評估這些分解特徵對於常見問題 (例如，不準確的 IDIF、移動、部分容積效應、晚期影像幀中的雜訊) 的穩健性，或許可在模擬誤差條件下進行評估。
• 比較範圍：目前的比較僅限於 SUVmax 和 Ki。更全面的評估可包含結合靜態 PET 特徵、動力學參數 (如 Ki 本身) 以及潛在的 CT 衍生放射組學特徵的模型。
• 臨床可行性：動態 PET 較為耗時。研究縮短的掃描時間 (例如，前 15-30 分鐘) 是否能為此模型保留足夠的預測能力，將有助於提升其臨床應用性。
• 數據集特性：訓練數據集存在顯著的不平衡 (164 例惡性 vs. 23 例良性)，儘管使用了 oversampling。外部測試集的比例不同 (19 例惡性 vs. 23 例良性)。建議在更大、可能更平衡的數據集上進行進一步驗證，並包含更多種類的具挑戰性的良性病灶類型 (例如，硬化性血管瘤)。
• 擴展應用：除了二元分類外，這些動態特徵在預測預後或治療反應方面的潛在效用值得探討。

---

Reference: Leveraging machine learning with dynamic 18F FDG PET CT integrating metabolic and flow features for lung cancer differential diagnosis