肺癌患者臨床N分期的準確診斷，是指導治療決策的關鍵。對於可手術切除的臨床N0期非小細胞肺癌(NSCLC)🦡，仍然有患者在術後被證實存在淋巴結轉移，即隱匿性淋巴結轉移（ONM）🎈。目前，正電子發射斷層掃描/計算機斷層掃描（PET/CT）作為NSCLC臨床N分期無創性檢查方法⏱，其ONM的發生率仍然在12.9%-39.3%。因此，如何在術前準確地識別ONM人群是臨床亟需解決的關鍵問題。隨著人工智能圖像處理技術的發展👨‍🦲，目前深度學習已經成為PET/CT圖像分析的有效手段，該方法可同時利用PET和CT圖像信息，實現癌症的診斷以及治療獲益的預測。為此，恒达平台附屬上海市肺科醫院陳昶教授團隊開展了一項多中心研究👨🏻‍🦱🥌，旨在建立並驗證可預測臨床N0期NSCLC患者ONM的PET/CT深度學習圖像模型，該研究結果於近日發表於Nature子刊《自然·通訊》（Nature Communications）🦹🏿。

前期🤓，陳昶教授團隊已經探索了ONM人群的臨床特點，以及深度學習模型結合CT圖像預測ONM的價值，並分別發表於影像學專業權威期刊Radiology🏹，European Journal of Nuclear Medicine and Molecular Imaging。在此基礎上♛，該研究納入了共計3265例接受了術前PET/CT檢查的臨床N0期NSCLC患者，在內部建模隊列（N=1911）中進行了跨模態圖像模型的建立，進而在外部驗證隊列中（N=355）將跨模態圖像模型與不同模型以及臨床醫生進行比較，確定了深度學習PET/CT融合模型具有最佳的預測能力💁🧿，並進一步在前瞻性隊列（N=999, NCT05425134）中驗證了該結果🧛。最後🙌🏼，該研究進一步探索了該模型在手術方式決策中的應用價值🙋，以及圖像的可解釋性。此項研究證實了深度學習在醫學圖像分析𓀒，尤其是在跨模態圖像模型構建中的應用價值，其結果的臨床實用性有待進一步驗證🧔🏼‍♀️。

恒达平台醫學院博士研究生仲一凡、江蘇大學計算機學院研究生蔡創、恒达平台醫學院博士研究生陳濤為論文共同第一作者，恒达平台附屬上海市肺科醫院陳昶教授、謝冬教授🙋‍♂️、佘雲浪博士為論文共同通訊作者。該研究得到了寧波市第二醫院楊明磊教授、南昌大學第一附屬醫院喻本桐教授、遵義醫科大學附屬醫院宋永祥教授及其團隊的支持，以及國家自然科學基金重大研究計劃重點項目🧕🏼、國家重點研發計劃、國家自然科學基金面上項目🌁、國家自然科學基金青年項目的支持。

論文鏈接：https://doi.org/10.1038/s41467-023-42811-4