该文章是一项原始研究，题为“Robust deep learning‑based PET prognostic imaging biomarker for DLBCL patients: A multicenter study”，发表于 European Journal of Nuclear Medicine and Molecular Imaging 期刊。作者包括 Chong Jiang、Chunjun Qian、Zekun Jiang 等人，主要来自四川大学华西医院、南京医科大学附属常州第二人民医院以及南京大学医学院附属鼓楼医院等机构，文章在线发表于2023年8月22日。
研究集中于弥漫性大B细胞淋巴瘤（Diffuse Large B Cell Lymphoma，DLBCL）领域，DLBCL是成年人中最常见的非霍奇金淋巴瘤类型。尽管免疫化疗（如R-CHOP方案）对DLBCL患者具有显著疗效，仍有30%-40%的患者面临复发和死亡的风险，提示需要更早识别高风险患者以优化个性化治疗策略。现有的国际预后指数（IPI）在评估不良预后患者时能力有限，而基于PET图像的容积代谢参数（如总代谢肿瘤体积TMTV和总病灶糖酵解TLG）与肿瘤负担密切相关，但无法全面反映DLBCL内部结构异质性。研究旨在通过深度学习技术从PET图像中提取预测分数（Deep Learning Scores，DLS），发展强大的预后图像生物标志物，并独立验证其预测DLBCL患者生存风险的能力。
本研究为多中心回顾性研究，共纳入684名DLBCL患者。数据来源包括四川大学华西医院（282例，训练队列）、江苏省医院（151例，第一验证队列）及南京大学医学院附属鼓楼医院（251例，第二验证队列）。所有患者样本均经过伦理审查，并遵循严格的隐私保护政策。
所有患者接受规范化的PET/CT扫描以测量代谢参数，注射[18F]FDG后60分钟进行扫描，采用不同型号的扫描仪（例如Gemini GXL, UM780PET/CT等），使用同质化的扫描协议和重建方法，保证图像数据的可比性。
图片数据上传至3D Slicer软件，通过“grow cut”算法生成感兴趣区域（VOI）。两位核医学科医生手动调整VOI以确保数据可靠性。研究应用了迁移学习方法，利用预训练模型（如DenseNet121、VGG19等）对肿瘤区域提取特征。为了降维与特征去冗余，设计了两个全连接层，并加入Dropout层。在开发模型过程中使用5折交叉验证以提升模型泛化能力。
深度学习分数（DLS）、临床变量（如年龄和Ann Arbor分期）及PET指标（SUVmax、TLG、TMTV）共同构建多参预后模型。模型性能通过一致性指数（C-index），校准曲线和决策曲线分析（DCA）进行评估，并在两组外部验证队列中验证其有效性。
训练和测试队列在人口统计学和临床特征方面差异无统计学意义（P > 0.05）。中位随访时间分别为47.6个月（训练队列）、22.0个月（验证队列1）、35.0个月（验证队列2）。在训练队列中，82名患者疾病复发，48名死亡；在验证队列1、2中分别有43人、72人疾病复发，33人、53人死亡。
10种深度学习模型中，VGG19和DenseNet121在预测复发和死亡方面表现最佳。训练队列中，DLS_PFS和DLS_OS与无进展生存期（PFS）和总生存期（OS）显著相关（P<0.05）。在外部验证队列中，多参模型C-index分别为0.760和0.770，优于仅依赖传统临床模型或IPI的预测结果。
Cox回归分析显示，年龄（HR=1.872，P=0.006）和Ann Arbor分期（HR=2.088，P=0.013）是独立的预后因子。此外，SUVmax（HR=1.742，P=0.043）和TMTV（HR=4.385，P=0.001）在无进展生存和总生存中显示较好的预测能力。所开发的多参模型成功整合了DLS及其他变量，其C-index显著高于传统模。
在两组外部验证队列中，校准曲线显示预测值与实际观察结果具有强一致性。决策曲线分析表明，多参模型在大风险阈值范围内具有较高的实际临床效益。
研究表明，从[18F]FDG PET图像提取的深度学习分数（DLS）是预测DLBCL患者生存预后的有效图像生物标志物。此外，多参模型通过结合代谢参数、DLS和临床变量，显示出精准区分不同生存风险患者的潜力。该模型不仅在训练队列中表现出较强的预测性能，而且验证队列中也具有较高的稳定性和实用性。
本研究展示了深度学习的强大潜力，通过对PET影像进行分析，扩展了影像组学在肿瘤生物标志物开发中的应用前景。深度学习分数能够更全面地反映肿瘤异质性，为DLBCL高风险患者的识别与治疗提供了新工具。同时，整合DLS与传统代谢和临床参数的多模态分析方式，为癌症预后预测提供了新的研究范式。