摘要
研究目的: 胸腔积液(pleural effusion)是常见的疾病或并发症，其病因可超过50多种。不同病因引起的胸腔积液，其临床预后、治疗和管理策略大为不同，因此，正确地鉴别诊断胸腔积液的不同类型至关重要。对胸腔积液的良恶性进行鉴别诊断，仍然是临床工作中的重点和难点。不明诊断胸腔积液，指的是经胸腔穿刺对胸水进行系列检查后仍不能明确诊断，其中最常见的是恶性胸腔积液(malignant pleural effusion,MPE)和结核性胸腔积液(tuberculosis pleural effusion,TPE),两者的鉴别诊断是十分具有挑战性的难题。氟化脱氧葡萄糖(18F-fluorodeoxyglucose,18F-FDG)正电子发射计算机断层显像(positron emission tomography/computed tomography,PET/CT)是一种无创性的影像检查方法，同时提供了病灶的形态学信息和分子水平代谢信息，但其在胸腔积液良恶性鉴别诊断中的作用未形成广泛的共识。 本研究目的在于:一、将PET/CT影像特征与血清肿瘤标记物(serum tumor marker,sTM)联合，建立评分PET/CT-sTM评分模型，并对该评分模型在鉴别诊断恶性胸腔积液和结核性胸腔积液中的作用进行评价;二、建立基于PET/CT影像的深度学习算法(deep learning algorithm)模型，并对其在胸腔积液良恶性鉴别诊断中的作用进行评价。 研究方法: 1、纳入分析187名接受PET/CT影像检查并最终明确诊断的恶性胸腔积液和结核性胸腔积液患者（恶性胸腔积液患者:123名，结核性胸腔积液的患者64名）。通过Logistic回归分析的方法从31种PET/CT影像特征及3种血清肿瘤标记物中筛选变量，建立PET/CT-sTM评分模型，并评价该评分模型鉴别诊断恶性胸腔积液和结核性胸腔积液的的作用。 2、分别设计了基于三维卷积网络的算法模型和基于二维卷积网络的序列算法模型。以196名诊断明确的胸腔积液患者（恶性胸腔积液:82名，良性胸腔积液:114名）的PET/CT影像资料作为对模型进行训练，并以73名诊断明确的胸腔积液患者（恶性胸腔积液:39名，良性胸腔积液:34名）的PET/CT影像资料进行验证。选取最佳模型，比较其与临床影像医师鉴别诊断胸腔积液良恶性的表现。 研究结果: 1、由4个PET/CT影像学特征（胸膜非环状增厚伴18F-FDG摄取增高（TBR＞1.4）;肺部单侧结节或肿块伴18F-FDG摄取增高（SUVmax＞2.5）;无双侧肺门淋巴结受累;胸外原发和或转移病灶）和2项血清肿瘤标记物（CEA、CA19-9）构成的评分模型（PET/CT-sTM评分模型）可以有效的鉴别诊断恶性胸腔积液和结核性胸腔积液。当得分≥6分时，诊断恶性胸腔积液AUC值为0.972（0.937-0.991）、敏感度为88.6（81.6-93.6）、特异度为93.8（84.8-98.3）。 2、在验证集中，基于PET/CT图像的二维卷积网络的序列算法模型鉴别胸腔积液良恶性的表现优于三维卷积网络算法模型（准确率:61.64％vs.89.04％），但不及临床影像医师的诊断水平（AUC:0.718vs.0.941,P＜0.001）。 研究结论: 1、由18F-FDG PET/CT影像学特征联合血清肿瘤标记物构成的PET/CT-sTM评分模型，是鉴别恶性胸腔积液和结核性胸腔积液的有效方法。 2、基于PET/CT影像的深度学习算法，在胸腔积液良恶性的鉴别诊断中的应用具有可观的前景，但仍需借助更大数据库进行完善。
NETL