Стадирование лимфом играет ключевую роль в выборе стратегии лечения с учетом рисков. Несмотря на то что система Ann Arbor является стандартом для стадирования лимфом, современная ручная оценка ПЭТ/КТ страдает от вариабельности между наблюдателями и временной неэффективности. Недавние достижения в области искусственного интеллекта (ИИ) открывают возможности для объективной автоматизации этого процесса.

Исследователи ретроспективно проанализировали базовые сканы 18F-FDG ПЭТ/КТ 227 пациентов с лимфомами. Модели глубокого обучения были построены с использованием 2D MIP (проекции максимальной интенсивности), трехмерных (3D) ПЭТ и 3D КТ изображений для бинарной классификации (ограниченная vs. распространенная стадия).

Модели оценивались с помощью 5-кратной перекрестной валидации. Эталоном служили результаты стадирования опытных специалистов по ядерной медицине (стаж 5–10 лет). Производительность стадирования различных моделей оценивалась с помощью ROC-кривых.

Разработанная модель ИИ LASM-mMIP использовала многоракурсные 2D MIP-изображения в коронарной, сагиттальной, левой передней косой (LAO) и правой передней косой (RAO) проекциях. Модель достигла точности 93,0% и AUC 0,942 для стадирования, превзойдя другие модели ИИ на основе одноракурсных MIP-изображений и 3D объемных данных ПЭТ/КТ.

LASM-mMIP продемонстрировала значительно более высокую точность стадирования по сравнению с молодыми специалистами по ядерной медицине (стаж 1–3 года, 84,58%, P < 0,05) и сопоставимую точность со специалистами среднего уровня опыта (стаж 3–5 лет, 96,9%, P = 0,095).

Кроме того, модель сократила время стадирования на четыре порядка по сравнению с врачами [(2,13 ± 0,31) секунды vs. (17918,90 ± 56310,53) секунды, P < 0,05].

Анализ неудач показал, что большинство ложноотрицательных результатов были связаны со скрытыми очагами поражения, в то время как ложноположительные результаты возникали из-за физиологического гиперметаболизма.

Модель LASM-mMIP продемонстрировала высокую точность и значительную временную эффективность в стадировании лимфом, обеспечивая производительность, сопоставимую с начинающими специалистами по ядерной медицине. Преодолевая вариабельность между наблюдателями и сокращая время ручной интерпретации, этот инструмент на основе ИИ может оптимизировать рабочие процессы и улучшить принятие решений в клинических условиях.

Будущие исследования должны расширить когорты пациентов, изучить дополнительные клинические предикторы и усовершенствовать стадиеспецифическую классификацию для дальнейшей персонализации лечения лимфом.