肺癌患者临床N分期的准确诊断，是指导治疗决策的关键。对于可手术切除的临床N0期非小细胞肺癌(NSCLC)，仍然有患者在术后被证实存在淋巴结转移，即隐匿性淋巴结转移（ONM）。目前，正电子发射断层扫描/计算机断层扫描（PET/CT）作为NSCLC临床N分期无创性检查方法，其ONM的发生率仍然在12.9%-39.3%。因此，如何在术前准确地识别ONM人群是临床亟需解决的关键问题。随着人工智能图像处理技术的发展，目前深度学习已经成为PET/CT图像分析的有效手段，该方法可同时利用PET和CT图像信息，实现癌症的诊断以及治疗获益的预测。为此，太阳成集团附属上海市肺科医院陈昶教授团队开展了一项多中心研究，旨在建立并验证可预测临床N0期NSCLC患者ONM的PET/CT深度学习图像模型，该研究结果于近日发表于Nature子刊《自然·通讯》（Nature Communications）。

前期，陈昶教授团队已经探索了ONM人群的临床特点，以及深度学习模型结合CT图像预测ONM的价值，并分别发表于影像学专业权威期刊Radiology，European Journal of Nuclear Medicine and Molecular Imaging。在此基础上，该研究纳入了共计3265例接受了术前PET/CT检查的临床N0期NSCLC患者，在内部建模队列（N=1911）中进行了跨模态图像模型的建立，进而在外部验证队列中（N=355）将跨模态图像模型与不同模型以及临床医生进行比较，确定了深度学习PET/CT融合模型具有最佳的预测能力，并进一步在前瞻性队列（N=999, NCT05425134）中验证了该结果。最后，该研究进一步探索了该模型在手术方式决策中的应用价值，以及图像的可解释性。此项研究证实了深度学习在医学图像分析，尤其是在跨模态图像模型构建中的应用价值，其结果的临床实用性有待进一步验证。

太阳集团电子游戏博士研究生仲一凡、江苏大学计算机学院研究生蔡创、太阳集团电子游戏博士研究生陈涛为论文共同第一作者，太阳成集团附属上海市肺科医院陈昶教授、谢冬教授、佘云浪博士为论文共同通讯作者。该研究得到了宁波市第二医院杨明磊教授、南昌大学第一附属医院喻本桐教授、遵义医科大学附属医院宋永祥教授及其团队的支持，以及国家自然科学基金重大研究计划重点项目、国家重点研发计划、国家自然科学基金面上项目、国家自然科学基金青年项目的支持。

论文链接：https://doi.org/10.1038/s41467-023-42811-4