根据2024 年核医学和分子成像学会年会上公布的研究，一种新颖的 AI 方法可以在全身 PET/CT 扫描中准确检测出六种不同类型的癌症。通过自动量化肿瘤负担，新工具可用于评估患者风险、预测治疗反应和估计生存期。马里兰州巴尔的摩市

约翰霍普金斯大学医学院研究助理 Kevin H. Leung 博士表示：“自动检测和表征癌症是实现早期治疗的重要临床需求。”“大多数旨在检测癌症的 AI 模型都是建立在小型到中等规模的数据集上，这些数据集通常包含单个恶性肿瘤和/或放射性示踪剂。这代表了当前医学成像和放射学 AI 应用训练和评估范式中的一个关键瓶颈。”

为了解决这个问题，研究人员开发了一种深度迁移学习方法(一种 AI)，用于在 PET/CT 扫描中进行全自动全身肿瘤分割和预后。这项研究分析了肺癌、黑色素瘤、淋巴瘤、头颈癌和乳腺癌患者的 611 次 FDG PET/CT 扫描以及前列腺癌患者的 408 次 PSMA PET/CT 扫描的数据。

人工智能方法自动从预测的肿瘤分割中提取放射组学特征和全身成像指标，以量化所有癌症类型的分子肿瘤负担和摄取量。定量特征和成像指标用于建立预测模型，以证明癌症患者风险分层、生存评估和治疗反应预测的预后价值。Leung 指出：

“除了进行癌症预后外，该方法还提供了一个框架，通过识别可靠的预测生物标志物、表征肿瘤亚型以及实现癌症的早期发现和治疗，有助于改善患者的预后和生存率。”“该方法还可以通过确定适当的治疗方案和预测对放射性药物治疗等疗法的反应，帮助对晚期、终末期疾病患者进行早期管理。”

Leung 指出，未来可推广的全自动 AI 工具将在影像中心发挥重要作用，协助医生解读癌症患者的 PET/CT 扫描结果。深度学习方法还可能发现有关潜在生物过程的重要分子见解，而这些过程目前可能在大规模患者群体中研究不足。