从无对比增强CT扫描中量化脂肪组织的PET活性

为什么在不额外增加辐射的情况下扫描脂肪很重要

医生知道并非所有体脂都是相同的。一种称为棕色脂肪的特殊脂肪有助于燃烧能量，并与更好的心血管和代谢健康相关。目前观察这种脂肪活动性最好的方法是PET扫描，但它昂贵、耗时并会增加额外辐射。该研究提出了一个简单而有力的问题：是否可以利用人工智能，从许多患者已经进行的常规CT扫描中“补全”缺失的代谢信息，从而获得类似的结论？

两种扫描，一幅更智能的图像

PET和CT扫描获取的是截然不同的信息。CT显示精细的解剖结构：骨骼、器官和高分辨率的脂肪组织。PET显示功能性信息，突出显示细胞摄取糖的部位，这是代谢活动的迹象。传统上，医生依赖PET来识别活跃的棕色脂肪，因为其在燃烧燃料时会强烈显影。研究者将这两类影像结合起来，收集了来自两组成年人的配对PET/CT扫描——一组专为研究棕色脂肪设计，另一组则由肺癌患者组成。对每位受试者，他们精确配准了PET和CT图像，以便身体中每一点在结构和功能上都对应，特别关注颈部及上胸主动脉周围的脂肪，这些部位常见棕色脂肪。

教神经网络模拟PET

利用这些配对影像，团队训练了一种称为条件生成对抗网络的深度学习模型。简言之，他们让网络查看一叠CT切片并生成相同区域的PET图像。模型被调优以只关注脂肪，隔离出处于脂肪密度范围内的组织。通过强制系统专注于脂肪，他们减少了来自心脏、淋巴结或肿瘤等邻近结构的干扰。他们还评估了不同的训练策略：一个模型仅用棕色脂肪队列训练，第二个用肺癌队列，第三个则将两者合并，以观察各方法对新患者的泛化能力。

合成的PET与真实PET有多接近？

为评估效果，研究者将模型预测的脂肪代谢活性与实际PET测量进行了比较。他们使用了若干统计检验，既考察单个像素点，也考察在定义脂肪区域内的平均值。总体而言，预测与真实PET值吻合良好，平均误差小，在颈部和上胸部均表现出合理强度的相关性。该一致性不仅在用于训练的数据集内保持，也在对独立的肺癌队列测试时成立，尽管这些扫描在图像质量和患者特征上更加多样。另一个分析中，研究者选择性地对CT图像的小块进行模糊处理，结果显示扰动富含脂肪的区域会最严重地损害模型性能，这表明模型学会依赖具有生理意义的结构，而非无关背景。

局限、注意事项与仍需解决的问题

该方法并非完美，作者也谨慎地指出了其局限。模型在更异质的肺癌组中性能有所下降，可能因扫描协议差异以及肿瘤和炎症的存在，这些也会改变PET信号。模型并未尝试将脂肪内的棕色脂肪活性与其他摄取来源区分开来，且仅在两个体区上进行了训练，因此其在身体其他部位的表现仍不明确。PET与CT配准间的小误差也可能误导网络，尤其是在训练图像中来自邻近组织的强PET信号溢出到脂肪区域时。最后，一些常用的图像处理技巧，例如重塑PET数值的亮度分布以便更明显地显示罕见热点，并未改善且有时会使训练不稳定，因此作者坚持使用标准的、具有生理意义的PET度量。

这对患者和未来医疗意味着什么

尽管存在不确定性，研究表明常规无对比CT扫描可以被转换为类似PET的脂肪代谢活动图，而无需注射放射性示踪剂。这一能力可能为使用许多患者本已接受的扫描开展大规模研究打开大门，以探讨脂肪活动性与体重控制、糖尿病和心脏病的关系。尽管目前的工具更偏向研究用途而非临床诊断，但它指向了一个未来：单一的结构性扫描可能静默地兼具反映组织功能的能力，帮助医生不仅了解一个人携带了多少脂肪，还了解这些脂肪有多“活跃”。

引用: Cano-Espinosa, C., Subrize, M.W., Franquet, E. et al. Quantification of PET activation in adipose tissue from non-contrast CT scans. npj Digit. Med. 9, 209 (2026). https://doi.org/10.1038/s41746-026-02392-0

关键词: 棕色脂肪组织, 深度学习影像, PET CT, 代谢健康, 体成分