预测使用人工智能的光二氧化葡萄糖正子发射断层扫描图像的头部和部瘤的缺氧体积
Wei Zhao1, Milan Grkovski1, Heiko Schoder2
1Department of Medical Physics, Memorial Sloan Kettering Cancer Center New York, 321 East 61st Street, NY 10065, USA.
Physics and imaging in radiation oncology
|June 30, 2025
概括
人工智能可以从18F-FDG PET扫描中创建类似18F-FMISO的PET图像,以预测头癌患者的瘤缺氧. 这种人工智能模型与实际的缺氧测量有很强的相关性,改善了治疗规划.
科学领域:
- 放射学和核医学 放射学和核医学
- 医疗成像中的人工智能
- 在瘤学瘤学.
背景情况:
- 瘤缺氧是导致头癌 (HN) 耐治疗的一个关键因素.
- 18F-fluoromisonidazole (18F-FMISO) PET成像可以量化缺氧,但其可用性有限.
- 预测缺氧体积对于优化放射治疗剂量选择至关重要.
研究的目的:
- 开发和验证一种人工智能 (AI) 模型,用于从常规的18F-氧葡萄糖 (18F-FDG) PET扫描中合成18F-FMISO类PET图像.
- 用人工智能生成的图像来预测HN癌症患者的原发性瘤和转移性淋巴结缺氧体积.
- 评估使用人工智能的可行性,以克服18F-FMISO缺氧评估可用性的限制.
主要方法:
- 一个生成对抗网络 (pix2pix架构) 在134名HN癌症患者的基线18F-FDG PET/CT和18F-FMISO PET/CT扫描上受过训练.
- 人工智能模型从18F-FDG PET/CT切片中生成了2D voxel-wise 18F-FMISO类型的低氧图像.
- 缺氧体积被定义为恶性组织,目标与血液比率 (TBR) >1.2,AI预测与18F-FMISO测量进行了比较.
主要成果:
- 人工智能模型的缺氧体积预测与18F-FMISO测量在持有试验对象中显示出强烈的相关性 (Pearson R = 0.96和R = 0.91).
- 人工智能预测的相关性明显好于从全球范围的18F-FDG PET值得出的预测.
- 这项研究证实了使用2D深度学习模型和18F-FDG PET作为输入的voxel-wise缺氧预测的可行性.
结论:
- 来自18F-FDG PET的18F-FMISO类PET图像的AI驱动合成是预测头癌瘤缺氧的可行方法.
- 这种人工智能方法有望通过提供可访问的缺氧信息来改善放射治疗规划.
- 为了确定人工智能模型的通用性,需要对更大的多机构队列进行进一步验证.
