基于 PET/CT 的高代谢性肺部病变图像分析和机器学习
2025年7月22日 更新者：Hu Jiajia、Ruijin Hospital
通过影像表现和机器学习技术基于 PET/CT 成像区分肺淋巴瘤和其他高代谢病变：一项多中心回顾性研究
首先，我们基于 PET/CT 分析肺淋巴瘤的类型、影像学表现和相关治疗反应，以完成对肺淋巴瘤的更全面的了解。
然后，将开发一些基于放射组学特征的模型，以验证通过机器学习区分肺淋巴瘤的可能性，并开发多类分类模型。
本研究的最终目标是开发一套用于初步肺部病变分割和多类分类的深度学习模型。 该模型将 FDG 嗜肺病灶分为四组，每组由其病理起源、主要治疗和相关临床科室定义。
研究概览
详细说明
- 本地图像特征提取软件（LIFEx，v 7.4.0， France）被用来进行图像审查和相关数据的测量。 三名观察者独立解读图像。 如有异议，优先考虑具有十年以上经验的资深医生的意见。 根据基线检查记录影像学结果。 根据影像报告中规定的规范系统记录病变计数、位置和描述性标签。 采用统计软件SPSS(v26.0)进行数据整理和计算。 卡方检验用于根据 CT 结果等分类变量比较 SPL 和 PPL，而 T 检验用于评估血糖和 SUV 等连续变量。 鉴于分类变量占主导地位，卡方或 Fisher 精确检验（对于细胞数 <40 或 >20% 且预期计数 <5 的样本）用于评估治疗反应和成像性能。 Spearman 相关系数用于分析分类变量和基于 SUV 的连续变量之间的关系。
- 本研究选择相对阈值40%（MTV40%）的代谢肿瘤体积作为感兴趣体积（VOI）进行图像分析。 对于特征提取，我们采用了基于Python（v3.11.7）的放射组学特征提取工具包PyRadiomics（v3.1.0）， 以及医学图像处理库 SimpleITK (v2.3.1)、数值计算和数据操作库 Numpy (v1.26.2) 和小波变换库 PyWavelet (v1.5.0)。 使用基于R编程语言（v4.2.0）的RStudio（v.2023.12.0+369）进行特征选择。 为了保证计算效率并避免过度拟合，保留的特征数量限制在训练集中病变数量的10%或更少。 模型分析和验证也主要使用 RStudio 进行。
- 深度学习研究将高代谢肺部病变的识别和分类任务分为两个阶段：分割和分类。 在分割阶段，我们首先利用开源2D模型Lungmask从全身PET/CT图像中自动裁剪肺部区域，确保后续处理集中在肺部区域。 接下来，我们开发了一个 3D UNet 模型，其残差模块专门用于分割代谢亢进的肺部病变。 该模型以裁剪后的PET/CT图像为输入，高效地从三维图像中提取病变信息，并准确分割代谢亢进的肺部病变区域。然后将该模型应用于内部测试集和外部验证集进行推理，得到提取包含病变的 ROI。
研究类型
观察性的
注册 (实际的)
647
联系人和位置
本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。
学习地点
-
-
Shanghai
-
Shanghai、Shanghai、中国、200025
- Ruijin Hospital affiliated to Shanghai Jiao Tong University of Medicine
-
-
参与标准
研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
不
取样方法
非概率样本
研究人群
本回顾性研究纳入了2015年1月至2024年2月瑞金医院、瑞金北院质子中心、上海市肺科医院、安徽省六安市人民医院和安徽省六安市人民医院等5家机构在核医学科接受PET/CT检查的患者。南京中医药大学附属医院。
描述
纳入标准：
- 成年患者（≥18岁）；
- 原发性或复发性淋巴瘤，距离上次治疗≥6个月；既往无恶性肿瘤的原发性肺癌患者；
- 肺部良性实性病变，既往无恶性肿瘤；
- 肺转移，未经肺部放射治疗或粒子植入治疗；
- 基线评估显示 PET 阳性肺部病变。
- 检查之日起3个月内的病理结果，通过气管镜检查、肺穿刺或手术确认肺部病变类型。
- 根据后续临床和影像学评估，基线肺部病变仍被认为是肺淋巴瘤（或转移瘤）。
排除标准：
- 图像质量差；
- CT图像上无法勾画肺部病灶的边界；
- 由支架或引流管等附近装置引起的伪影。
学习计划
本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。
研究是如何设计的？
设计细节
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
肺淋巴瘤
(1) 成年患者（≥18岁）。
(2)原发性或复发性淋巴瘤患者，距上次治疗≥6个月。
(3) 医院基线评估显示 PET 阳性肺部病变，CT 测量最大直径≥3mm，跨≥2 个图像层可见。
(4) 检查之日起3个月内的病理结果，通过气管镜、肺穿刺或手术证实的肺部病变类型。
或者通过淋巴结和肺外穿刺诊断出的基线淋巴瘤肺部病变，根据后续临床和影像学评估仍被认为是肺淋巴瘤。
|
通过工作站或本地图像分析软件观察医学图像
通过放射组学或深度学习方法提取图像特征
|
|
肺癌
(1) 成年患者（≥18岁）。
(2) 既往无恶性肿瘤的原发性肺癌患者。 (3) 医院基线评估显示 PET 阳性肺部病变，CT 测量最大直径≥3mm，跨≥2 个图像层可见。
(4) 检查之日起3个月内的病理结果，通过气管镜、肺穿刺或手术证实的肺部病变类型。
|
通过工作站或本地图像分析软件观察医学图像
通过放射组学或深度学习方法提取图像特征
|
|
良性
(1) 成年患者（≥18岁）。
(2)肺部良性实性病变，既往无恶性肿瘤的患者。
(3) 医院基线评估显示 PET 阳性肺部病变，CT 测量最大直径≥3mm，跨≥2 个图像层可见。
(4) 检查之日起3个月内的病理结果，通过气管镜、肺穿刺或手术证实的肺部病变类型。
|
通过工作站或本地图像分析软件观察医学图像
通过放射组学或深度学习方法提取图像特征
|
|
转移
(1) 成年患者（≥18岁）。
(2)未接受肺部放疗或粒子植入治疗的肺转移患者。
(3) 医院基线评估显示 PET 阳性肺部病变，CT 测量最大直径≥3mm，跨≥2 个图像层可见。
(4) 检查之日起3个月内的病理结果，通过气管镜、肺穿刺或手术证实的肺部病变类型。
或者通过淋巴结和肺外穿刺诊断出的基线肺转移灶，根据后续临床和影像学评估仍被认为是肺转移。
|
通过工作站或本地图像分析软件观察医学图像
通过放射组学或深度学习方法提取图像特征
|
研究衡量的是什么？
主要结果指标
结果测量 |
大体时间 |
|---|---|
|
18F-FDG PET/CT 图像的成像/放射组学/深度学习特征
大体时间：基线
|
基线
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
分割模型的效率
大体时间：模型开发和测试后立即
|
分割模型的有效性通过病灶检出率和Dice相似系数（2(A∩B)/(A+B)，A=分割体素体积，B=groundtruth体积）来评估，两者都描述了划分病灶和背景的准确性。
|
模型开发和测试后立即
|
|
分类模型的效率
大体时间：模型开发和测试后立即
|
分类模型通过准确率[(TP+TN)/(TP+FP+TN+FN)]、精度[TP/(TP+FP)]、召回率[TP/(TP+FN)]、F1-来评价评分[2*精度*召回率/(精度+召回率)]，均从不同方面描述了样本正确或错误分类病变的比例。
而受试者工作特征（ROC）曲线可以更直观地说明这一点。
曲线下面积（AUC）计算ROC曲线下面积的比例，范围从0到1，代表各组的整体分类效率。
|
模型开发和测试后立即
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (实际的)
2024年4月1日
初级完成 (实际的)
2024年7月20日
研究完成 (实际的)
2025年4月30日
研究注册日期
首次提交
2024年9月11日
首先提交符合 QC 标准的
2024年9月17日
首次发布 (实际的)
2024年9月19日
研究记录更新
最后更新发布 (实际的)
2025年7月23日
上次提交的符合 QC 标准的更新
2025年7月22日
最后验证
2025年7月1日
更多信息
此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.