在2025年第38届欧洲核医学协会年会（EANM）上，一项创新性研究引发关注：研究人员利用深度学习技术，开发了基于3D U-Net架构的卷积神经网络，实现了对非霍奇金淋巴瘤患者18F-FDG PET-CT影像中肿瘤病灶的自动精准描绘，为精准定量迈出了关键一步。

淋巴瘤PET-CT定量的临床挑战
非霍奇金淋巴瘤是一类异质性肿瘤，病情进展迅速且预后多变。总代谢肿瘤体积（TMTV）已被证实为评估患者预后和制定治疗方案的重要影像生物标志物。然而，准确提取TMTV需要对所有肿瘤病灶进行精确描绘，传统手工或半自动方法不仅耗时费力，还容易受到操作人员经验影响，存在较大主观性和误差。随着PET-CT检查量的快速增长，如何在保证准确性的前提下提升图像分析效率，成为核医学领域急需解决的瓶颈问题。

深度学习模型的构建与验证
研究团队基于nnU-Net框架从零开发了3D U-Net卷积神经网络，用于淋巴瘤PET-CT影像中肿瘤病灶的自动描绘。训练和测试数据来自PETAL多中心前瞻性研究，共收集1133例患者的PET-CT扫描图像，覆盖6602个肿瘤病灶。研究采用五折交叉验证保证模型泛化能力，标注过程采用迭代策略，由经验丰富的观察者结合辅助中间模型完成，确保了高质量的标注数据。

模型在测试集上获得了Dice相似系数0.889的高准确率，显示出高度的一致性。敏感性为0.671，说明绝大多数肿瘤病灶能被成功识别；阳性预测值为0.809，意味着误检率较低。漏检的肿瘤病灶体积平均为3.3毫升，中位数仅0.5毫升，显示出模型对极小体积病灶的识别仍有提升空间。排除极端异常值后，自动与人工测定的TMTV高度相关（R平方为0.983），平均绝对误差仅为13.1毫升，而平均TMTV为133.4毫升，表明该模型对整体肿瘤负荷评估具有较好的稳定性和准确性。

AI赋能核医学的临床前景
深度学习在淋巴瘤PET-CT中的应用价值不仅体现在诊断准确率上，更在于自动化流程极大缩短了评价时间，降低了人工干预需求。传统方法中，一名核医学医生逐层描绘数百个病灶可能耗时数十分钟甚至更久，而AI模型可以在数秒内完成自动分割，为大规模临床研究和潜在的常规临床应用提供了可行性基础。

随着核医学面临"技术门槛高、检查量激增、专业人员紧缺"的三难困境，AI辅助诊断正在成为破解之道。深度学习不仅能提升小病灶检出率和定量一致性，还能帮助经验不足的基层医生达到更稳定的诊断水平。如需了解更多PET-CT检查信息或预约淋巴瘤影像评估，欢迎致电预约咨询热线4000-211-357或添加预约客服微信afxy0329，我们将为您提供专业服务。