引入基于深度学习的影响 [18F]FDG PET对数字PET/CT中EORTC和PERCIST治疗反应评估的否认
Kathleen Weyts1, Justine Lequesne2, Alison Johnson3
1Nuclear Medicine Department, François Baclesse Comprehensive Cancer Centre, UNICANCER, Caen, 3 Avenue du General Harris, BP 45026, Caen Cedex 5, 14076, France. k.weyts@baclesse.unicancer.fr.
EJNMMI research
|August 10, 2024
概括
使用SubtlePETTM对[18F]FDGPET扫描进行人工智能拒绝,可用于评估固体瘤治疗反应. 在随访期间,将标准PET与AI-denoizedPET进行比较,显示出高一致性和对患者管理的影响最小.
科学领域:
- 核医学是一种核医学.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 深度学习AI (SubtlePETTM) 用于[18F]FDG PET 报销此前显示了小量的量化和检测变化.
- 人工智能拒绝对固体瘤治疗反应评估的临床影响需要进一步评估.
- 本研究将标准PET与随访期间AI-denoised半持续PET进行比较.
研究的目的:
- 评估AI拒绝对[18F]FDG PET固体瘤治疗反应评估的临床影响.
- 在随访期间,比较使用标准PET与AI-denoisedPET的治疗响应分类.
主要方法:
- 有110名基线和随访[18F]FDG PET/CT扫描的患者被前性地纳入.
- 在标准PET和AI PET (半持续) 扫描之间比较了响应分类 (EORTC,PERCIST).
- 分类使用了超高清 (UHD) 或EANM研究有限 (EARL2) 合规值的标准化吸收值 (SUV).
主要成果:
- 10%的患者 (11/110) 在比较标准与AI-denoised PET时表现出不一致的分类.
- 93%的分类 (369/397) 是一致的,科恩的卡帕为0.86,表明高度一致.
- 不一致的分类可能只会影响2%的患者的治疗.
结论:
- 为了评估治疗反应,可以比较标准[18F]FDG PET和AI-denoised半持续时间PET.
- 在后续评估中使用AI-denoisedPET似乎在临床上是令人满意的.
- 虽然比较类似的成像协议是首选的,但AI无效化为治疗反应评估提供了一个可行的选择.
