人工智能可能有助于根据FDG PET/CT [18F]的放射性特征预测甲状腺结节恶性瘤
Krystian Ślusarz1, Mikolaj Buchwald2, Adrian Szczeszek3
1Department of Nuclear Medicine, Affidea, Poznan, Poland.
EJNMMI research
|April 11, 2025
概括
使用人工智能的放射学分析显示,在偶发性瘤中检测甲状腺癌的潜力很大,尽管并不比传统的SUVmax测量显著好. 需要进一步的研究来验证这些发现,以提高诊断准确度.
科学领域:
- 核医学就是核医学.
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
背景情况:
- 甲状腺癌的诊断正在增加,许多通过PET/CT等成像检测偶然检测到 (甲状腺意外瘤,TI).
- 像SUVmax这样的传统参数不足以表征TI.
- 放射学,分析图像纹理,提供了一种定量方法来识别微妙的特征.
研究的目的:
- 评估放射学特征和基于人工智能的算法在[18F]FDG-avid甲状腺意外瘤中检测恶性瘤的有效性.
- 为了比较radiomics的诊断性能与传统的SUVmax测量.
主要方法:
- 对50名患有[18F]FDG激发性甲状腺异常瘤的患者进行分析,这些患者接受了细针吸收活检.
- 应用 XGBoost 模型,利用从 PET/CT 图像中提取的放射学特征.
- 与SUVmax值对比人工智能放射学模型的性能.
主要成果:
- 在50名患者中,11名 (22.0%) [18F]FDG-avid结节是恶性的.
- 在XGBoost放射学模型的性能达到0.846 (95%CI:0.737-0.956).
- 放射学模型的性能与SUVmax (0.797;95%CI:0.622-0.973) 类似,没有统计学上显著的差异 (p=0.60).
结论:
- 使用放射学特征的基于AI的算法可能可以检测甲状腺结节恶性瘤.
- 人工智能放射学方法和传统的SUVmax测量方法之间没有发现统计学上显著的差异.
- 放射学为表征甲状腺意外瘤提供了一个补充工具,但需要进一步验证.
