当超级迭代5Q遇上AI，从精准到智准的跨越

深秋是历练了生命的繁华，返璞归真的时节。今年深秋十月，GE的超级迭代5Q影像链平台也迎来了与AI（Artificial Intelligence）的美丽邂逅。

众所周知，GE独有的超级迭代5Q影像链平台的出现，首次让PET/CT显像实现图像信噪比（SNR）和定量精准度的同步双倍提升，其通过25mm业内最厚的核心硬件晶体设计，5Q一体化PET影像链，整合了全新迭代算法，大数据运算系统，嵌入式降噪芯片，智能定向降噪系统，恒温探测器实时监控系统，重新定义精准时代下PET成像影像链，使超级迭代5Q平台成为引领PET/CT技术发展的风向标。

AI（Artificial Intelligence）人工智能的出现通过深度学习能够在常规诊断过程中帮助医生解决更加繁琐的工作流程，为提升医生工作效率及诊断可重复性带来更多的可能。

2019年10月，苏黎士大学教授在《European Radiology》上发表了一篇前沿研究"Artificial intelligence for detecting small FDG-positive lung nodules in digital PET/CT: impact of image reconstructions on diagnostic performance" [1]. 在AI深度学习系统下，通过对比8824张不同迭代算法下的临床肺结节PET图片，去分析传统迭代算法（OSEM）和全新超级迭代5Q平台下（文中标注为BSREM）的诊断效能。

作者收录了57位病人共97例肺结节（全部小于20mm），为了扩大数据量，如下图(Fig.1)他们首先把每个病人的肺定义出最上层(红框a)和最下层（红框b），在这个被定义的肺部红色“*”区域中：如果在这个slice中有结节，那么这个Slice会被标记为“1”，如果没有结节，那么会被标记为“0”，比如下图中，绿框c，e为“0”，d为“1”。

在上图（Fig.1）图片标记完之后，会总共得到4412张OSEM图片以及4412张超级迭代图片，作者将这些图片分为10个子集：8个训练集，1个验证集和1个测试集。将这些DICOM数据输入到AI程序后，进行诊断效能分析，就得到了如下图(Fig.2)的ROC曲线。

结果显示，OSEM的曲线下面积AUC为0.796，超级迭代（文中标注为BSREM）的AUC为0.848，超级迭代的AUC的显著提升意味着在诊断效能上的显著提高。之后作者分别以每一层图片标注、每一个结节的诊断以及SUVmax阈值为基准进行了灵敏度和特异性的分析。先让我们看看数据结果：

我们可以看到，表2和3中的数据显示，不论哪种方法，超级迭代的特异性和灵敏度都高于OSEM，并且在以临床图像为评判标准情况下，由超级迭代为AI训练数据得到的诊断正确率高于传统算法OSEM。

上面这张例图展示了为什么超级迭代下的AI诊断效能会更高了，该图展示了一位63岁病人肺右上叶的一个6mm的结节。左边黄色框标记的是OSEM重建后AI分析的图，右边蓝色框标记的是超级迭代重下的图像（文中标注为BSREM）。从上到下(a到f;g到i)为不同的分层，虚线代表了约登指数（Youden Index）。AI分析后可以看出，在第二层图（b和h）上，用超级迭代图像后的AI明显给出了更高的病灶可能性(Nodule Probability)，然而OSEM下AI并没有认出这个摄取点。b*和h*为人工智能的类激活映射图（CAM），简单的理解就是以图像为基础，对关键部分进行区分定位。可以看出，超级迭代下的AI的CAM图热度更高。

作者最后总结得出AI人工智能可以帮助病灶的检测，并且在超级迭代5Q成像平台下其诊断的准确性相比传统迭代算法更高。可以看到超级迭代的高清成像和精准定量的测量，是AI深度学习的基石，让未来PET/CT实现精准到智准的跨越！