[18F]F-FAPI-FUSCC-07 PET/CT在表征孤立性肺结节方面的诊断性能:一项头对头比较研究

时间:2026年2月24日
来源:European Journal of Nuclear Medicine and Molecular Imaging

编辑推荐:

本研究旨在评估新型FAP靶向示踪剂[¹⁸F]F-FAPI-FUSCC-07在孤立肺结节诊断中的效能,并建立融合PET功能参数与CT形态学特征的预测模型。结果显示,该示踪剂的TBR参数诊断准确率(AUC 0.801)显著高于[¹⁸F]F-FDG(AUC 0.677,p<0.05),结合CT特征后模型AUC达0.866,验证集敏感性87.50%,特异性69.23%,验证了其作为非侵入性诊断策略的潜力,需前瞻性研究进一步验证。

广告
   X   

摘要

目的

评估一种新型FAP靶向示踪剂[¹⁸F]F-FAPI-FUSCC-07在诊断孤立性肺结节(SPNs)方面的有效性,并通过整合PET功能参数和CT形态特征来开发一个可靠的预测模型。

方法

本研究回顾性地纳入了137名同时接受了[¹⁸F]F-FAPI-FUSCC-07和[¹⁸F]F-FDG PET/CT检查的SPNs患者。使用ROC分析评估了这两种示踪剂的半定量参数(SUVmax和TBR)的诊断性能并进行比较。在训练队列(n = 100)中构建了一个多变量逻辑回归模型,并在独立队列(n = 37)中进行了验证。

结果

[¹⁸F]F-FAPI-FUSCC-07和[¹⁸F]F-FDG PET/CT均能有效区分良性与恶性SPNs。与[¹⁸F]F-FDG PET/CT相比,[¹⁸F]F-FAPI-FUSCC-07 PET/CT显示出更高的诊断准确性(两种示踪剂的TBR AUC分别为0.801和0.677,p < 0.05)。为了更好地利用[¹⁸F]F-FAPI-FUSCC-07 PET/CT的优势,通过逻辑回归构建了一个结合FAPI摄取和CT形态特征的诊断模型。该模型表达式为P = 1 / (1 + e^(-x)),其中P表示恶性肿瘤的概率,x = -1.223 + 0.502 × TBRFAPI + 1.959 × lobulation。该模型的诊断性能更优,AUC为0.866。在验证集中,模型的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为87.50%、69.23%、81.08%和75.00%。探索性分析显示,[¹⁸F]F-FAPI-FUSCC-07在浸润性黏液腺癌中的摄取量明显低于其他亚型。

结论

与[¹⁸F]F-FDG PET/CT相比,[¹⁸F]F-FAPI-FUSCC-07 PET/CT是区分良性与恶性SPNs的更优成像工具。结合其功能参数和CT形态特征的预测模型在训练集中表现出良好的区分能力(AUC:0.866),并在独立验证集中保持了较高的准确性(81.08%),提供了一种有前景的非侵入性诊断策略,值得在未来的研究中进一步验证。

目的

评估一种新型FAP靶向示踪剂[¹⁸F]F-FAPI-FUSCC-07在诊断孤立性肺结节(SPNs)方面的有效性,并通过整合PET功能参数和CT形态特征来开发一个可靠的预测模型。

方法

本研究回顾性地纳入了137名同时接受了[¹⁸F]F-FAPI-FUSCC-07和[¹⁸F]F-FDG PET/CT检查的SPNs患者。使用ROC分析评估了这两种示踪剂的半定量参数(SUVmax和TBR)的诊断性能并进行比较。在训练队列(n = 100)中构建了一个多变量逻辑回归模型,并在独立队列(n = 37)中进行了验证。

结果

[¹⁸F]F-FAPI-FUSCC-07和[¹⁸F]F-FDG PET/CT均能有效区分良性与恶性SPNs。与[¹⁸F]F-FDG PET/CT相比,[¹⁸F]F-FAPI-FUSCC-07 PET/CT显示出更高的诊断准确性(两种示踪剂的TBR AUC分别为0.801和0.677,p < 0.05)。为了更好地利用[¹⁸F]F-FAPI-FUSCC-07 PET/CT的优势,通过逻辑回归构建了一个结合FAPI摄取和CT形态特征的诊断模型。该模型表达式为P = 1 / (1 + e^(-x)),其中P表示恶性肿瘤的概率,x = -1.223 + 0.502 × TBRFAPI + 1.959 × lobulation。该模型的诊断性能更优,AUC为0.866。在验证集中,模型的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为87.50%、69.23%、81.08%和75.00%。探索性分析显示,[¹⁸F]F-FAPI-FUSCC-07在浸润性黏液腺癌中的摄取量明显低于其他亚型。

结论

与[¹⁸F]F-FDG PET/CT相比,[¹⁸F]F-FAPI-FUSCC-07 PET/CT是区分良性与恶性SPNs的更优成像工具。结合其功能参数和CT形态特征的预测模型在训练集中表现出良好的区分能力(AUC:0.866),并在独立验证集中保持了较高的准确性(81.08%),提供了一种有前景的非侵入性诊断策略,值得在未来的研究中进一步验证。

生物通微信公众号
微信
新浪微博


生物通 版权所有