近日，中国科学院深圳先进技术研究院医学成像科学技术系统国家重点实验室、医学成像中心副研究员孙涛团队，联合中国医学科学院肿瘤医院深圳医院、河南省人民医院，提出了结合血流和代谢动态特点的解释机器学习方法，显著提高了肺结节良恶性分类的准确性。相关结果发表在《欧洲核医学与分子成像杂志》上。

在肺结节图像诊断中，提高良恶性识别的准确性一直是医学图像和核医学的重要研究内容。传统的CT结构图像参数和PETSUVMax参数在肺癌诊断中有一定的局限性，并依赖于复杂的动力学建模。因此，研究人员创新地将疾病的时间活度曲线分解为血流、游离态和代谢态，提取峰值、斜率、AUC等关键动态特征，构建可解释的分类特征集。

基于Baggging综合学习方法，结合LASO特征筛选和SHAP值可解释性分析，构建了肺结节良恶性预测模型。该模型在短轴上 DMI PET/CT设备和长轴联影uEXPLORER PET/CT设备稳定，具有良好的泛化能力。此外，模型推理时间在10秒以内，特征提取约8秒/例，可集成在临床过程中，具有落地潜力。据介绍，模型导出不仅限于预测结果，还通过可解释的分析展示了每个动态特征在单个患者中的诊断贡献，让医生“能够理解和使用”。

本研究为动态PET在肺癌良恶性鉴别中的应用提供了一种新的可解释性方法，特别适用于静态成像模糊、肿瘤标记物阴性或高假阳性风险的复杂病例。据报道，未来研究小组将进一步缩短扫描时间，整合CT特征，开展多中心验证工作，促进研究成果向临床治疗的转变。