01文献学习今天分享的文献是由四川大学华西医院田蓉、李康等团队于2026年3月23日在《European Journal of Nuclear Medicine and Molecular Imaging》中科院1区topIF7.6上发表的研究“A deep learning PET-CT biomarker for early progression (POD24) and survival stratification in follicular lymphoma: a multicenter study”即基于深度学习PET/CT的生物标志物用于滤泡性淋巴瘤早期进展POD24及生存分层一项多中心研究该研究开发并验证了一种基于基线[¹⁸F]FDG PET/CT的深度学习影像生物标志物DLS用于预测滤泡性淋巴瘤患者24个月内疾病进展POD24及生存风险分层。通过提取PET/CT图像的影像组学特征结合多种机器学习与深度学习方法构建并验证了GAMformer模型最终形成多参数模型显著优于传统临床风险评分。创新点①首次将表格深度学习应用于FL的POD24预测利用GAMformer模型融合PET/CT影像特征显著提升预测性能。②构建多参数模型整合DLS、MTV与LDH实现优于FLIPI等传统评分工具的精准风险分层。③验证DLS在不同组织学分级中的一致预测能力实现分级无关的个体化预后评估。临床价值①实现POD24高危患者的早期识别为治疗强化或降级策略提供可靠影像学依据。②提升滤泡性淋巴瘤预后评估的精准度通过AI驱动的影像标志物优化个体化治疗决策。③方法具备多中心验证与良好泛化能力有望融入临床工作流推动精准肿瘤学实践。图2研究整体工作流程图Step1数据收集与影像配准收集基线¹⁸F-FDG PET/CT数据完成PET与CT影像的三维空间配准保证肿瘤靶区对齐。Step2影像组学特征提取分割肿瘤体积VOI提取1106个高维组学特征形态、一阶统计、纹理、小波/LoG高阶特征。Step3模型构建LASSO算法筛选关键特征对比5种传统机器学习4种表格深度学习模型选定GAMformer输出深度学习评分DLS融合DLS临床/影像参数构建多参数模型。Step4模型评估与验证用AUC、校准曲线、决策曲线分析DCA评估效能Kaplan-Meier生存分析验证风险 分层能力。02研究背景和目的研究背景滤泡性淋巴瘤FL是最常见的惰性非霍奇金淋巴瘤亚型具有显著的临床和生物学异质性。尽管多数患者对初始治疗反应良好但仍有相当比例的患者在治疗后24个月内出现疾病进展POD24这一早期终点事件与极差的长期生存预后密切相关已成为评估FL患者风险的关键临床指标。然而现有的临床预后工具如FLIPI、FLIPI-2及PRIMA-PI等在个体化风险预测中表现欠佳其阳性预测值和区分度有限难以精准识别高危患者18F FDG PET/CT作为FL分期和疗效评估的标准影像学手段可提供代谢肿瘤体积MTV、总病变糖酵解TLG等定量参数但这些传统指标难以全面捕捉肿瘤内部复杂的空间与代谢异质性而后者正是导致复发与治疗抵抗的关键因素。近年来深度学习特别是表格型基础模型的发展为从PET/CT影像中提取高维、亚视觉特征提供了新途径但其在FL中用于POD24预测的研究尚属空白。因此亟需开发一种基于基线PET/CT的可靠影像生物标志物以实现对POD24的精准预测和生存风险分层。研究目的本研究旨在开发并验证一种基于基线18F FDG PET/CT影像的深度学习评分DLS用于预测滤泡性淋巴瘤患者确诊后24个月内疾病进展的风险并实现个体化的生存预后分层。研究首先从多中心队列中收集患者的PET/CT影像数据通过肿瘤分割提取高维影像组学特征随后比较五种传统机器学习算法与四种先进表格型深度学习模型的预测效能筛选出最优模型并将其输出定义为DLS。在此基础上研究进一步将DLS与临床变量及PET代谢参数相结合构建多参数预测模型以提升对POD24的预测能力。通过在独立验证队列中对模型的区分度、校准度及临床净获益进行全面评估并与现有临床风险评分如FLIPI、FLIPI-2、PRIMA-PI进行对比研究旨在验证该深度学习生物标志物的优越性、稳定性及其在不同组织学分级中的适用性最终为FL的精准治疗决策和风险适应性管理提供一种新型、非侵入性的影像学工具。03数据和方法研究数据共纳入309例初诊FL患者1–3a级来自5家医学中心随机分为训练组n210与验证组n99中位随访时间训练组43.4个月验证组45.4个月POD24事件训练组38例验证组17例图1患者筛选流程图技术方法图像处理PET/CT图像配准半自动肿瘤分割41% SUVmax阈值特征提取使用PyRadiomics提取1,106个影像组学特征PET、CT及融合模态模型构建传统机器学习LR、DT、RF、SVM、XGBoost表格型深度学习GAMformer、MotherNet、TabPFN、TabFlex特征选择LASSO SMOTE处理类别不平衡多参数模型将DLS与MTV、LDH结合构建联合模型评价指标AUC、校准曲线、决策曲线分析、Kaplan-Meier生存分析04实验结果DLS表现GAMformer模型在验证集中AUC为0.753优于其他模型多参数模型AUC在训练组为0.882验证组为0.797优于FLIPI、FLIPI-2、PRIMA-PI生存分层DLS可显著区分高、低风险患者P 0.0001组织学分级DLS在高、低分级中均具显著预后分层能力P 0.0001独立预测因子LDHOR0.509与MTVOR1.290在多元分析中独立预测POD24图 3不同模型预测POD24的ROC曲线分析结果图 4基于深度学习评分DLS的总生存Kaplan-Meier分析图 5滤泡淋巴瘤不同病理分级的DLS分布、混淆矩阵及生存分析图 6POD24单因素与多因素分析森林图图 7多参数模型预测POD24的综合验证05研究结论该研究通过多中心数据证实基于基线[¹⁸F]FDG PET/CT的深度学习评分DLS能够有效预测滤泡性淋巴瘤FL患者的24个月内疾病进展POD24并实现精准生存风险分层。其中GAMformer模型在多种算法中表现最优训练集与验证集的AUC分别达到0.857和0.753。将DLS与乳酸脱氢酶LDH及代谢肿瘤体积MTV整合构建的多参数模型进一步将预测性能提升至AUC 0.882训练集和0.797验证集显著优于传统临床评分如FLIPI、FLIPI-2及PRIMA-PI。该DLS在不同组织学分级包括低级别1–2级与3a级中均展现出一致且稳健的风险分层能力并与患者总生存期显著相关P 0.0001。研究提示该影像生物标志物有望在初诊阶段精准识别高危患者为实施风险适应性治疗策略提供重要依据推动FL个体化诊疗进程。参考文献Huang H, Zhang T, Jiang Z, Zhang Z, Jiang Q, Teng Y, Zhou H, Ding C, Xu J, Jiang M, Xu B, Jiang C, Tian R, Li K. A deep learning PET/CT biomarker for early progression (POD24) and survival stratification in follicular lymphoma: a multicenter study. Eur J Nucl Med Mol Imaging. 2026 Mar 23. doi: 10.1007/s00259-026-07838-x. Epub ahead of print. PMID: 41870550.