Analyzing the Prognostic Value of Radiomic Variables from PET-CT with [18F]FDG in a Retrospective Cohort of Patients with Adrenocortical Carcinoma
这项回顾性概念验证研究表明，源自 [18F]FDG PET/CT 的影像组学特征，特别是在整合入机器学习模型后，在预测肾上腺皮质癌患者的 5 年生存率方面展现出潜在的预后价值，且尽管仍需更大规模的验证研究，其表现优于基于 CT 的模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在肾上腺皮质癌这一罕见且危险的世界里——这是一种起源于肾上腺外层的癌症——医生们面临着预测患者病情走向的持久斗争。这种恶性肿瘤具有侵略性且难以治疗，通常需要手术和药物相结合的疗法。为了决定最佳治疗方案，医生目前依赖于在显微镜下观察组织样本，并测量特定的生物标志物，例如细胞分裂的速度。然而，这些方法只能揭示部分真相。近年来，一个被称为“影像组学”（radiomics）的领域脱颖而出，为观察医学影像提供了一种新途径。影像组学不再仅仅是用肉眼观察扫描图像以判断肿瘤的大小，而是利用计算机从图像本身提取数百个细微且隐藏的模式。这些模式描述了肿瘤的纹理和结构，其方式超出了人类肉眼的观察范围，有可能揭示关于癌症真实本质及其对治疗反应的线索。
巴西的一个研究小组最近开展了一项研究，旨在观察这项技术是否能帮助预测这种特定癌症患者的未来。他们专注于一种被称为 PET-CT 的医学扫描技术，该技术结合了标准的 X 射线计算机断层扫描图像与正电子发射断层扫描。在这一过程中，患者会接受少量的放射性糖分子，这是人体用于能量的物质。由于癌细胞贪婪且生长迅速，它们吸收的糖分远比健康组织多。随后，扫描仪会创建一个显示这些糖分被消耗位置的地图。研究人员收集了二十二名被诊断为肾上腺皮质癌并在开始任何治疗前都接受了此类扫描的患者数据。他们的目标是观察这些糖代谢地图中发现的详细模式，是否能比现有的标准方法更好地预测患者的生存机会。
团队首先通过仔细勾勒扫描图像上的肿瘤轮廓，并进行了两次操作以确保测量的一致性。他们发现，不同观察者在超过 86% 的病例中对肿瘤形状和大小的判定达成了一致，这种一致性水平使他们对数据充满信心。随后，他们将一份从图像中提取的海量特征列表输入计算机，包括肿瘤的亮度、总糖摄取量以及糖分布的复杂纹理。为了理清如此庞大的信息，他们使用了一种数学技术将数据简化为其最重要的部分，就像将一本长篇巨著总结成其核心章节一样。接着，他们训练计算机程序来观察这些特征，并预测患者是否能生存五年。
结果显示，基于 PET 扫描数据构建的计算机模型在进行此类预测时表现得相当出色。其中最成功的模型（使用了一种特定类型的算法）以极高的准确度正确预测了结果。有趣的是，仅依赖于 PET 扫描中糖代谢信息的模型，其表现优于仅观察标准 X 射线图像的模型。这表明，通过观察糖分消耗情况所体现出的肿瘤生物学活性，比肿瘤的物理形状本身蕴含了更有价值的预后信息。研究人员还寻找了这些图像模式与已知生物标志物之间的联系。他们发现，虽然标准测量指标与细胞分裂速度之间没有强关联，但有迹象表明，总糖消耗量较高的肿瘤可能与一种被称为 p53 突变的特定基因变化有关，尽管在这一小规模群体中，这种联系还不足以被视为确定性的证据。
尽管有了这些令人鼓舞的发现，研究人员仍谨慎地指出，本研究是一次初步探索而非最终定论。二十二名患者的样本量非常小，这限制了他们对结果确定性的判断。他们承认，其计算机模型可能过于针对这组特定人群，在面对更大规模、更多样化的患者群体时可能会表现不同。该研究是一个概念验证，证明了 PET 扫描中隐藏的细节具有成为理解这种罕见癌症之强大工具的潜力。作者总结道，虽然这项技术展现出巨大的前景，但下一步必须在涉及更多患者、跨越更多医院的大规模研究中测试这些想法，以确认这些模式是否确实是可靠的未来指南。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。