用于神经退行性疾病多示踪剂PET定量跨平台一致性的统一深度学习框架

这对脑部扫描的重要性

用于追踪疾病标志物的脑部扫描在诊断和监测阿尔茨海默病等疾病中正变得至关重要，但医生依赖的数值可能仅因为患者在不同设备上扫描就发生变化。本研究提出了一种深度学习方法，使低辐射的PET‑MRI扫描的测量值与传统PET‑CT扫描高度一致，从而即便患者在医院或扫描仪之间流动，阈值和随访比较仍然具有意义。

混合扫描技术的挑战

正电子发射断层扫描（PET）帮助医生观察与痴呆和帕金森病相关的异常蛋白和脑活动。许多诊所现在使用混合PET‑MRI扫描仪，与PET‑CT相比能降低辐射暴露，且对需要重复扫描的患者更为友好。然而，PET‑MRI和PET‑CT对示踪剂摄取的测量方式不同，主要因为MRI必须估算组织对辐射的衰减，而CT是直接测量的。这种不匹配会导致关键数值在机器之间产生10–25%的差异，足以在患者脑生物学未变化的情况下将其推到治疗阈值的上下界。

在设备之间建立深度学习桥梁

研究者构建了一个三阶段的深度学习框架，将PET‑CT视为参考标准，并学习如何将PET‑MRI图像带入相同的定量空间。首先，一个视觉变换器自编码器研究CT扫描，以学习对PET信号形态有影响的头部和脑组织结构的详细映射。第二，系统在同一受试者的MRI扫描上训练，采用对比学习策略将基于MRI的特征与这些基于CT的映射对齐，奖励同一位置的匹配并区分不匹配的区域。最后，它利用这一联合解剖学知识对PET‑MRI图像进行温和修正，仅添加使其数值类似PET‑CT所需的残差调整，同时保持每位个体的示踪剂摄取模式不变。

在多种疾病和示踪剂上的测试

为了评估该桥接方法的效果，团队收集了70名参与者的同日PET‑CT和PET‑MRI扫描，使用三种不同的示踪剂：一种用于脑代谢，一种用于淀粉样蛋白，一种用于tau。将该新框架与若干先进图像处理方法比较，结果显示其持续生成更接近PET‑CT的PET‑MRI图像，图像质量评分显著提升且伪影被强力抑制。重要的是，淀粉样蛋白和tau测量的区域性偏差降至仅几个百分点以内，同时保持了个体间的排序和变异性。区域之间关系的整体网络（对分期和病理扩散追踪至关重要）与PET‑CT上观察到的高度相似。

对新示踪剂与真实临床环境的泛化能力

随后该方法面临从未见过的示踪剂和扫描仪的挑战。对于使用不同示踪剂的淀粉样蛋白成像，来自两个独立中心的数据表明未经校正的PET‑MRI与PET‑CT显著不一致，但经协调的PET‑MRI在无需重新训练的情况下在统计学上与PET‑CT无法区分。在一个更大的临床样本（420名参与者，跨三个地点和四种扫描仪配置）中，协调将PET‑MRI与PET‑CT之间关键淀粉样得分的差距从超过20个单位缩小到略高于4个单位。它还使tau和多巴胺转运体的测量在各平台间高度一致。基于PET‑CT得出的诊断阈值可以仅做小幅调整后应用于协调后的PET‑MRI，且校正后没有接近阈值的患者被错误分类。

这对患者与临床试验的意义

通过在不同示踪剂和厂商之间将PET‑MRI与PET‑CT对齐，这一深度学习框架使PET‑MRI从需要为每种示踪剂制定单独规则的设备，转变为可以与PET‑CT共享数值和阈值的设备。这意味着患者能够在受益于更低辐射的同时，仍获得医生可以跨年限和跨中心比较的结果，这对新阿尔茨海默药物的治疗试验尤为重要。尽管仍存在一些很小的系统性差异，但它们足够小，似乎不会影响真实世界的决策，使得该方法成为在常规护理中实现更一致、更安全脑影像的可行路径。

引用: Wang, J., Zhong, A., Xu, Q. et al. A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease. npj Digit. Med. 9, 396 (2026). https://doi.org/10.1038/s41746-026-02570-0

关键词: PET‑MRI协调, PET‑CT, 深度学习, 阿尔茨海默成像, 神经退行性疾病