The Potency of DCLGAN for Reducing Scan time in PET/CT imaging with different radiotracers of clinical importance [ARTIFICIAL INTELLIGENCE]
DCLGAN 將神經 PET 壓縮至 5 分鐘，三種示蹤劑 ICC 均達 0.995 以上不失量化效力
- 5 分鐘 DCLGAN 重建 FBB、FDG、FP-CIT 三種神經 PET 的 ICC 均超 0.995，量化閾值判讀完全不受縮時影響
- SSIM 達 0.963–0.986，讀者評分 4.48–4.55 分（κ=0.83–0.89），客觀與主觀指標雙雙達高水準
- 3 分鐘採集品質顯著低於 5 分鐘（p<0.001），確立 5 分鐘為 DCLGAN 的實用下限，再壓縮即明顯失格
5 分鐘的腦 PET 採集，量化指標 ICC 高達 0.997——這個數字意味著把 20 分鐘的 FBB 澱粉樣蛋白掃描壓縮到四分之一時間，所得的 SUVR 數值仍與金標準幾近一致。韓國延世大學與翰林大學聯合研究團隊以 DCLGAN（雙對比學習生成對抗網路）驗證三種臨床神經 PET 示蹤劑，在客觀影像品質、臨床讀者評分和量化一致性三項指標上均達高水準，為核醫 PET 效率優化提供了目前最完整的多示蹤劑跨驗證數據。
神經 PET 掃描時間的效率困境
核醫 PET/CT 在阿茲海默症篩查（FBB 澱粉樣蛋白）、帕金森病確診（FP-CIT 多巴胺轉運體）以及腦代謝評估（FDG）等神經科疾病的工作流程中居於核心位置，但傳統採集方案對機台時間的需求相當大：18F-FBB 需要 20 分鐘，18F-FDG 與 18F-FP-CIT 各需 15 分鐘。
對認知障礙或帕金森病患者而言，長時間靜止不動本身就是挑戰——肢體震顫、焦慮和疼痛都可能引入運動偽影，反而劣化影像品質。對科室而言，機台週轉率也是日常排程壓力的來源。若能在不降低影像品質的前提下縮短採集時間，對病患體驗與科室效率均有明顯助益。
深度學習影像增強技術試圖以「短時採集 + AI 補強」取代「長時採集」，但先前多數研究聚焦於單一示蹤劑或泛用全身 PET，尚無研究系統性地在同一框架下驗證多種神經 PET 示蹤劑的跨適應性，這正是本研究的核心出發點。
三種示蹤劑、兩個縮時版本與兩組對照
研究採用單中心回溯性設計，從已完成完整時長神經 PET/CT 的有症狀患者中，利用 list-mode 原始資料重建出 3 分鐘與 5 分鐘的縮時採集影像，以全時長採集作為金標準（FBB 20 分鐘，FDG 與 FP-CIT 各 15 分鐘）。
DCLGAN 的架構可用類比理解：傳統 GAN（生成對抗網路）靠「生成者 vs 鑑別者」的博弈學習影像風格，DCLGAN 在此基礎上加入對比學習（contrastive learning）——同時約束「重建結果接近金標準」與「遠離其他樣本的噪聲模式」，雙重損失函數迫使模型對解剖細節更加敏感。
比較組包含兩個基準：未經 AI 增強的原始短時採集影像，以及代表當前標準深度學習方案的 2.5D U-Net。評估指標分三層次：客觀品質（NRMSE 越低越好、PSNR 越高越好、SSIM 結構相似度 1＝完美）、臨床評分（兩位蒙眼核醫科醫師五分量表 + Cohen's κ 一致性），以及量化層面的 ICC 與 Bland-Altman 偏差分析。
5 分鐘 DCLGAN 的影像品質：三種示蹤劑全數達標
5 分鐘 DCLGAN 重建影像的客觀品質指標令人印象深刻。SSIM 方面：FDG 0.986、FP-CIT 0.982、FBB 0.963——SSIM 0.9 以上代表影像在亮度、對比度、結構三個維度均高度保真。PSNR 方面，FP-CIT 達 41.889 dB、FDG 37.502 dB、FBB 34.721 dB；NRMSE 最小值見於 FP-CIT（0.008），顯示基底核紋狀體分布的示蹤劑重建效果最佳。
臨床讀者評分方面，兩位蒙眼核醫科醫師的平均分為：FP-CIT 4.55、FDG 4.50、FBB 4.48（滿分 5 分）。讀者間一致性均高於 0.8 的「幾乎完美一致」門檻：κ 值 FP-CIT 0.89、FBB 0.85、FDG 0.83。
對照 3 分鐘版本，5 分鐘 DCLGAN 在 PSNR 與 SSIM 顯著更高、NRMSE 顯著更低（p<0.001），讀者評分也出現可觀差距，確認 5 分鐘是這個模型的實用甜蜜點；再壓縮到 3 分鐘，品質開始明顯犧牲。
FDG 與 FP-CIT 超過 0.982，FBB 亦達 0.963，三種示蹤劑全數通過高保真門檻
量化一致性：ICC 全數 >0.995 的臨床意涵
量化一致性是本研究最有說服力的板塊。5 分鐘 DCLGAN 影像對比金標準的 ICC：FBB（SUVR）0.997、FDG（SUVR）0.995、FP-CIT（SBR）0.996，三項全數超過 0.99 的「幾近完美（excellent）」門檻。
Bland-Altman 偏差分析進一步強化結論：平均偏差極小，FBB 僅 −0.004、FDG +0.012、FP-CIT −0.029，一致性界限（limits of agreement）同樣狹窄，代表個案層級的誤差受到良好控制——不只是群體平均值表現好，個體預測的穩定性同樣具備。
這對臨床判讀的意義直接明確：FBB SUVR 決定「澱粉樣蛋白陽性 / 陰性」的閾值、FP-CIT SBR 判斷「多巴胺轉運體顯著下降」的截止值，在 5 分鐘重建影像上完全維持量化效力，臨床報告結論不因掃描時間縮短而改變。
| 示蹤劑 | 量化指標 | ICC（5 分鐘） | Bland-Altman 平均偏差 | 讀者評分（/5） | κ 值 |
|---|---|---|---|---|---|
| FBB | SUVR | 0.997 | −0.004 | 4.48 | 0.85 |
| FDG | SUVR | 0.995 | +0.012 | 4.50 | 0.83 |
| FP-CIT | SBR | 0.996 | −0.029 | 4.55 | 0.89 |
ICC 三種示蹤劑均超 0.995；Bland-Altman 平均偏差趨近於零，一致性界限狹窄
單中心設計的邊界與臨床部署建議
研究者坦承數項重要限制。首先是單中心回溯性設計：訓練與測試資料均來自同一機構的同一掃描設備，模型能否泛化到其他廠牌 PET/CT、不同注射劑量方案或不同重建核（reconstruction kernel），目前尚無外部驗證。
其次，儘管三種神經示蹤劑均取得優異結果，其生物分布特性差異極大（澱粉樣蛋白的皮質廣泛沉積 vs 多巴胺轉運體集中於紋狀體），模型能否進一步泛化至 tau、VMAT2 或其他神經示蹤劑，仍待後續研究確認。研究亦僅涵蓋 3 分鐘與 5 分鐘兩個縮時條件，未探索 1-2 分鐘的極端短採集場景。
從實務部署角度，5 分鐘 DCLGAN 目前是多項指標同時達標的最低採集時長。對有帕金森病或阿茲海默症確診需求的核醫排程，若機台壓力已成常態，此類 AI 重建模型具備近期導入的可行性——但建議在多中心外部驗證完成前，作為輔助驗證工具而非直接替代既有採集規範。
掃描時間壓縮 75%，FBB／FDG／FP-CIT 三種示蹤劑的 ICC 仍超過 0.995——下次神經 PET 排程滿載，這個數字值得拿出來跟主任討論。