European Radiology：基于[18F]FDG PET/CT机器学习的膀胱癌淋巴结转移评估

膀胱癌是全球第10大最常见的癌症，每年有超过50万的新诊断病例和20万的相关死亡。在诊断时，约有四分之一的患者就已处于肌肉浸润性膀胱癌（MIBC）阶段。这一诊断是通过经尿道膀胱肿瘤切除术（TURBT）实现的。肌肉浸润性膀胱癌是一种侵袭性疾病，其特点是淋巴结和远处转移率高。术前用腹部计算机断层扫描（CT）或磁共振成像（MRI）进行分期是常规做法中的推荐程序。对于临床定位的疾病（cT2-T4aN0M0）和有足够肾功能的患者，目前的治疗标准是新辅助顺铂化疗（NAC），然后进行根治性膀胱切除术（RC）。对于疾病更晚期的患者（即结节阳性和/或实体器官转移）来说，全身化疗仍然是一线治疗的标准，而免疫检查点阻断抗体最近已被批准作为顺铂不合格患者的一线治疗手段。

现阶段，临床上支持2-脱氧-2-[氟-18]氟-D-葡萄糖（[18F]FDG）正电子发射断层扫描/计算机断层扫描（PET/CT）潜在作用的数据正在不断增加。然而，盆腔淋巴结（LN）分期的精确诊断仍然是一个挑战。据介绍，[18F]FDG PET/CT的敏感性约为50-55%，特异性为92%，主要由于解释标准不一，中心间差异很大。机器学习（ML）技术可以利用常规PET图像的数据，提取客观的成像标志物来指导精准医疗。最近，有学者报道了ML对结直肠癌、非小细胞肺癌患者的PET/CT图像上的LN分期的潜在作用。因此，ML工具可以为检测盆腔LN疾病扩散提供客观的诊断标准。

近日，发表在European Radiology杂志的一项研究比较了基于[18F]FDG PET/CT的ML定义的标准与专家共识获得的MIBC初始盆腔LN分期的诊断性能和阅读者之间的差异，为临床早期、无创的进行膀胱癌风险评估提供了技术支持。

本项研究纳入了2010年至2017年间进行术前[18F]FDG PET/CT检查的连续局部MIBC患者，并将纳入患者分配到训练（n = 129）和验证（n = 44）组。参考标准是扩大盆腔LN切除术后的病理状态。在训练集中，随机森林算法确定了最能预测LN状态的标准组合。将这种标准组合的诊断性能（AUC）和测量者之间的一致性与专家的共识进行了比较。

盆腔LN受累的总发生率为24%（n = 41/173）。在训练组中，前3个特征来自盆腔LN（最强LN的SUVmax和最大LN的直径之积）和原发性膀胱肿瘤（直径之积）。在验证组中，组合标准（AUC = 0.59 95%CI [0.43-0.73]）和专家共识（AUC = 0.64 95%CI [0.48-0.78]，P = 0.54）之间的诊断性能没有明显差异。两者之间的一致性同样良好，Κ = 0.66。

图  [18F]FDG PET/CT图像，该患者根据医师的主观判析被错误地归类为cN+，而基于机器学习的盆腔LN分期则将其归类为cN0。原发肿瘤的直径乘积为116*11毫米，左髂外侧可见一个盆腔淋巴结（红色箭头），SUVmax为2.4，轴向直径为10*7毫米的中等摄取量

本项研究开发了一种基于ML的组合标准，该标志可用于使用[18F]FDG PET/CT成像诊断膀胱癌患者的盆腔LN转移。该组合标准依赖于与盆腔LN和原发肿瘤相关的三个简单的代谢和形态学特征，提供了与训练有素的专家的主观分析一样优秀的诊断性能和测评者间一致性。
原文出处：

Antoine Girard,Laurent Dercle,Helena Vila-Reyes,et al.A machine-learning-based combination of criteria to detect bladder cancer lymph node metastasis on [18F]FDG PET/CT: a pathology-controlled study.DOI:10.1007/s00330-022-09270-9