XiaoMi-AI文件搜索系统
World File Search Systemsuvmax
引用Qiao T，Cheng Z和Duan Y（2025）在评估免疫疗法effiffiffiffiffiffiffiffifca
引入免疫检查点抑制剂（ICI）已彻底改变了癌症治疗，通过增强免疫监测以对抗肿瘤生长，从而显着改善了晚期癌症患者的预后。这些疗法已被证明有效地有效地延长了无进展的生存（PFS）和整体生存（OS），但是评估其效率带来了独特的挑战。传统的成像技术，例如计算机断层扫描（CT）和磁共振成像（MRI）通常测量肿瘤大小的变化，在免疫疗法的背景下可能无法准确反映治疗反应。对于免疫相关现象（例如伪雌性和过度突出）尤其如此，在后期肿瘤的体积可能不会立即变化或可能在随后的减少之前增加或可能增加，从而使响应评估变得复杂。多参数PET/CT已通过提供对肿瘤微环境（TME）内肿瘤代谢和免疫反应的功能见解来评估治疗效率的强大工具。与常规成像不同，PET/CT可以捕获早期的代谢改变和免疫细胞的效果，从而在形态学变化之前提供了更全面的治疗效果图片（1，2）。关键的半定量参数，例如suvmax，MTV和TLG进行代谢活性的转变，并可以鉴定出治疗反应的早期迹象，而宠物衍生的标记物（例如PD-L1表达和CD8阳性T细胞）诸如TME（3-5）的免疫学动力学（3-5）。本综述研究了多参数PET/CT在评估免疫疗法结果中的作用，重点是宠物衍生的代谢参数，并免疫反应为临床决策提供了信息（表1）。它还讨论了传统成像在检测免疫相关变化时的局限性，并回顾了评估免疫疗法反应的恢复和虹彩标准。将在这种情况下讨论诸如假养育和过度突出之类的概念，从而强调了PET/CT检测这些非典型肿瘤反应模式的潜力，从而提供了对免疫疗法效力的更准确的早期评估。
预处理18F-FDG-PET/CT参数是无效生存的生物标志物，最佳总体反应和接受一线免疫疗法的转移性黑色素瘤患者的总体生存率
自从引入检查点抑制剂ipilimumab（靶向细胞毒性T-淋巴细胞相关蛋白4（CTLA-4））和Nivolumab / pembrolizumab（靶向计划的死亡-1（PD-1）受体及其组合组合以来，对晚期黑色素瘤患者的治疗已有急剧改善。现在可以使用有效的免疫疗法，无论突变状态如何，都可以进行治疗[1]。免疫治疗药物的应用已导致患者总生存期（OS）和无进展生存率（PFS）的显着改善[2-4]。不幸的是，在免疫疗法下，约有百分之五十的治疗患者具有一级耐药性或可以在免疫疗法下产生次要耐药性。为了应对这一挑战，诸如乳酸脱氢酶（LDH）等临床标记[5，6]以及实验性生物标志物用于识别可能无法从具有检查点抑制剂的治疗中获利的患者。标准度量计算机断层扫描（CT）参数，例如肿瘤大小，全身肿瘤的体积以及实验性放射线参数，在某些螺柱中有可能预测诸如OS，PFS和三个月后的响应等终点[7-12] [7-12]。另一方面，有研究发现基线CT中CT参数的明显预测能力[13]。目前，没有实验性的CT生物标志物被广泛接受用于常规临床使用[14]。它在反应评估和监测免疫疗法毒性方面仍然是一种宝贵的方式[16]。最近的一项荟萃分析强调了基线SUVMAX，MTV和总病变的值flourine-18氟氧化葡萄糖正电子发射断层扫描/计算机断层扫描（18F-FDG-PET/CT）是一种已建立的选择方法，是通过免疫检查点抑制剂治疗的转移性黑色素瘤患者管理的基石[15]。根据最近出版物的发现，几个18F-FDG-PET/ CT参数可能是预测接受免疫疗法治疗的美拉马患者的反应和存活的潜在生物标志物。这些参数可以分为三组：肿瘤负担，肿瘤葡萄糖摄取和非肿瘤造血组织分类主义[17]。从18F-FDG-PET/CT扫描中进行的全身代谢肿瘤体积大约在免疫疗法开始后大约三个月被发现是黑色素瘤患者OS的强烈预后指标[18]。一项试点研究证实，接受全身性治疗的不可切除的转移性黑色素瘤患者的总生存率与高肿瘤负荷，某些器官区域的转移以及至少一个转移性高直径或高直径或不良代谢相关的患者[19]。一项研究使用在开始抗PD-1处理之前从基线18F-FDG-PET/CT中提取的生物标志物。总代谢肿瘤体积（MTV）与较短的OS相关，并用于定义三种风险类别[20]。
正电子发射断层扫描中的人工智能
智能手机、智能家居、智能导航等都是人工智能（AI）在日常生活中的重要应用。人工智能最早出现于20世纪50年代，随着对它的认识和重新定义，人工智能逐渐被提出。目前，人工智能被定义为研究和开发用于模拟、扩展和增强人类智能的理论、方法、技术和应用系统的一门新技术科学（1）。我们目睹了人工智能的快速发展，其在医疗保健，特别是医学图像处理和分析方面的研究和应用方兴未艾。与更易于获取且采集过程更容易标准化的计算机断层扫描（CT）和磁共振成像（MRI）相比，正电子发射断层扫描（PET）更昂贵、获取范围更广，其更复杂的技术操作过程给标准化图像采集带来了困难。虽然AI在PET领域的研究和应用进展相对较慢，但由于PET作为分子影像的重要领域，AI在PET成像领域的应用正受到广泛的关注，成为研究热点。在技术层面，针对不同厂家、不同仪器型号、不同成像技术的PET扫描仪在成像过程中参数和质量的差异性，开展了图像后处理研究，包括图像标准化、归一化、小波变换、高斯变换、特征预处理等。AI赋能的分割技术进一步提高了AI特征的稳定性和AI研究的可重复性（2、3）。为了满足临床应用的需求，通过深入挖掘图像特征，结合人群和临床证据，构建机器学习模型，PET 中的 AI 已被开发用于病变检测和边界描绘、诊断和鉴别诊断、风险预测和预后评估，甚至预测临床基因或分子分型（ 1 , 4 – 7 ）。本研究主题包括 11 篇出版物，强调了 AI 如何支持 PET 图像处理和分析。最近，许多研究小组一直致力于将 AI 用于 PET 图像解释，例如病变检测。Kawakami 等人应用对象深度学习 (DL) 检测模型 You Only Look Once Version 2 (YOLOv2) 来检测 18 F-FDG PET 中的生理和异常摄取。）。）。结果表明，MIP 图像上的生理摄取被快速准确地识别（Kawakami 等人。YOLOv2 检测到的异常摄取与手动识别的覆盖率较高（Kawakami 等人。精确的检测和快速的反应将成为疾病诊断的有用工具。最大标准化摄取值 (SUVmax) 是解释图像和评估的最常用参数