根据11月30日在芝加哥举办的北美放射学会(RSNA)年会上发表的一项研究，基于F-18 DCFPyL PSMA-PET/CT图像的AI模型有望预测转移性去势抵抗性前列腺癌(mCRPC)患者的治疗反应。

马里兰州巴尔的摩约翰霍普金斯医学院的Andrew Voter博士说，深度学习模型（DL模型）通过128例患者的PET/CT成像进行了训练，并确定了一个可能受益于集中护理或替代疗法的高危亚组。

他指出：“尽管前列腺特异性膜抗原(PSMA) PET/CT显像广泛应用于前列腺癌，但对患者预后的预测仍然具有挑战性。”

为此，Voter博士及其同事测试了多模态融合3D卷积神经网络（CNN）的可行性，以基线PSMA-PET/CT成像为基础，识别有进展风险的患者。

训练集包括使用F-18 DCFPyL放射性示踪剂进行的基线PSMA-PET/CT扫描，以及对148例mCRPC患者（年龄71.7 ± 8.4岁；平均PSA水平19.4)进行为期3年的随访扫描。在这些研究中，共有1,781个放射性示踪灶被标记为疑似恶性肿瘤。根据放射性示踪剂活性增加或放射性示踪灶大小增加> 2 mm，病变将分为进展性或非进展性。

接下来，研究人员使用来自34例患者的320个病灶的独立PET/CT图像测试集验证了该模型(年龄，72.2±7.1岁;平均PSA 18.5)。

根据研究结果，对于进展性和非进展性疾病的图像进行分类，该模型的准确率为82%，曲线下面积（AUC）为0.615，每个病变的阳性预测值为83%。

此外，Voter博士补充道，进一步的分析显示，被算法分类为渐进性的图像与高危人群相关，相对于其余人群（57.4个月，p=为0.04个月），中位生存期（26.1个月）显著降低。

Voter博士说：“我们利用PSMA PET/CT扫描建立了一个DL模型来预测病变和患者水平的治疗反应。我们的DL模型能够识别进展风险高的mCRPC患者。”

Voter博士说，PSMA-PET/CT是对mCRPC进行疾病管理的宝贵工具，该研究最终通过对患者预后的分层和识别高危亚组，证明了其在预后方面的价值。

Voter博士说，更多的数据将是研究进展的关键，该小组计划在这项研究中纳入他们最近从美国国立卫生研究院获得的PSMA-PET/CT图像的数据集。

他总结道：“需要进一步的研究来确定我们的深度学习模型的临床意义。”