第二届 SNMMI 人工智能峰会，由 SNMMI AI 工作组组织，于 2024 年 2 月 29 日至 3 月 1 日在马里兰州贝塞斯达举行。峰会汇聚了众多社区成员和利益相关者，继 2022 年成功举办的首届峰会之后，本届峰会的主题是“AI 在行动”。讨论的关键议题包括：计算核肿瘤学的新需求和新工具、大语言模型和生成式模型的新前沿、界定人工智能在核医学中应用的价值主张、开放科学（包括数据和模型库的建设），以及报销和资金问题。本文总结了主要工作、发现、挑战和后续步骤。
在第二届 SNMMI 人工智能峰会期间，来自学术界、医疗保健、工业界、美国食品药品监督管理局（FDA）和美国国立卫生研究院（NIH）的 100 多名社区成员和利益相关者齐聚一堂，讨论人工智能在核医学领域的兴起。峰会在首届峰会成功的基础上，设有两场全体会议、小组讨论、顶尖专家的演讲，以及关于关键发现和下一步行动方案的圆桌讨论。2024 年的主题是“AI 在行动”，旨在识别临床实施 AI 的机遇和障碍。本报告总结了五个讨论主题，包括愿景和需要克服的挑战，并不代表 SNMMI 的官方观点。
计算核肿瘤学
我们将“计算核肿瘤学”定义为应用包括人工智能在内的计算方法，以改进当前吸收剂量的评估，并预测未来放射性药物疗法周期中的剂量以及生物学和临床效果。放射性药物疗法中的预测建模具有挑战性，因为放射性药物递送和疗效所涉及的过程跨越了广泛的时间和空间尺度，超出了当前诊断核医学成像的时空分辨率。因此，有必要用额外的计算模型来增强临床图像，以解释这些不可观测的过程。
计算核肿瘤学流程始于药代动力学模型，该模型使用替代放射性示踪剂的诊断成像进行参数化，以预测治疗药物的生物分布。该信息与粒子输运代码相结合，以估计对生物靶点的能量转移和细胞毒性。这些输出被输入到多细胞反应模拟中，包括正常器官伤口愈合和肿瘤生态进化，以与可观察到的临床终点相联系。我们期待一种治疗诊断数字孪生范式，即利用真实世界数据更新患者的虚拟表征，以实现优化的个性化治疗，这与正在发展的图像引导数字孪生在临床肿瘤学领域的广泛应用相一致。
主要挑战包括现有工具的整合、不同过程之间相互作用和相互依赖性的考量，以及为确保稳健性和互操作性而进行的经验性基准测试。鉴于即将面临的挑战的劳动密集型特点，基于人工智能的自动化方法将是有用的，甚至是必要的。
大语言模型和生成式模型
一个重要的近期趋势是基础模型的发展。在医疗保健领域，大语言模型作为一种能够处理或生成文本的基础模型，已显示出特别的潜力。自 ChatGPT 推出以来，大语言模型已吸引了普通大众的注意，此后发布了多个版本，包括 GPT-5、PaLM 和 Gemini，以及 Llama 系列。
大语言模型可以处理、挖掘和生成文本，包括电子健康记录、临床笔记和出版物，从而实现从医学文献中自动化检索、提取和整理信息。与此相关，最近的工作利用自然语言处理来改善 PubMed 数据库的搜索质量。具体而言，LitCovid 已成为一个突出的 NLP 赋能资源。其他著名的 NLP 赋能工具包括用于从研究文章中搜索和检索遗传变异特定信息的 LitVar，以及用于提供计算机注释的生物医学概念（如基因和突变）的 PubTator。大语言模型在核医学中的应用很可能与放射学中的类似，但需要进一步研究以了解核医学特有的任何前景和挑战。
生成式模型在医学影像中展现出了潜力，特别是在扩散模型方面取得了进展，这些模型能够从不平衡的数据分布中生成少数样本。在医学中，这些模型正被应用于合成数据生成、图像去噪和图像恢复。在将这些模型应用于核医学之前，必须密切关注其中构建的任何假设。例如，核医学图像具有依赖于信号的噪声分布，这与通常假设的与信号无关的分布相反。不恰当的假设可能导致生成式模型产生幻觉，从而在生成的数据中引入偏差。
使用人工智能的价值主张
AI 的临床采用将要求算法提供比标准护理更高的临床价值。增加的价值可能来自几个因素，例如提高准确性和精密度、减少时间和金钱成本，或自动化临床负担重的任务。
量化这一价值具有挑战性，需要深思熟虑，而对临床任务的严格验证至关重要。一种 AI 去噪技术可能会改善图像的视觉吸引力，但可能不会提供额外的临床效用。同样，使用非任务特定指标评估 AI 肿瘤 PET 分割程序可能会为临床相关任务（如估计代谢肿瘤体积）提供不同的解释。因此，基于任务的评估至关重要，这一要求也扩展到更一般的任务，如分类。此类基于任务评估的框架已被概述。可能还需要对算法进行进一步的临床评估。例如，可能存在分割算法检测到生理性摄取的小病灶，导致无病或完全缓解患者出现假阳性结果的情况。AI 工作组已经提出了评估 AI 算法的最佳实践指南，核医学杂志现在建议，关于 AI 评估的文章应提供定量的性能声明。
AI 可以帮助医生解读 PET/CT、PET/MR 和 SPECT/CT 扫描。近期临床成像需求的激增与能够解读扫描的委员会认证专业人员的相对稳定供应形成了对比。后者往往陷于重复性的手动任务，而非智力工作。近期的工作已探索了 AI 应对这些挑战的潜力，例如通过肿瘤分割和从 [18F]FDG PET 扫描中量化总代谢肿瘤体积，或通过 FDA 批准的软件自动勾画和量化异常的前列腺特异性膜抗原亲和病灶。更复杂的指标，如前列腺特异性膜抗原 PET 中的肿瘤体积，越来越多地被推荐使用，例如由新的 PROMISE 框架推荐，而 AI 可以协助这些计算。
将图像与其他临床数字数据（例如，病理学、实验室结果、临床参数、人口统计学、基因组学和监管指南）相结合，为 AI 在报告生成中提供了机会。除了突出异常发现外，此类报告还可以根据提取的患者特定特征纳入个性化的治疗建议。例如，PET/CT 报告可以纳入源自整合放射组学和临床模型的个性化风险评分。这种全面的分期方法有助于识别可能从更积极的初始治疗中受益的患者。
一个重要但经常被忽视的话题是 AI 如何帮助核医学技师，他们管理患者工作流程、与患者沟通、采集图像并进行质量控制。在这方面，AI 可以在多个方面提供帮助，例如安排患者工作流程、自动化手动 SPECT/CT 配准、以及减少辐射剂量或扫描时间。正如峰会上有人精辟地指出的那样，“AI 不会取代核医学技师，但懂 AI 的核医学技师将会取代那些不懂的。”
AI 还可以降低患者护理成本。特别是在核医学中，这包括在心脏 PET 和 SPECT 中实现无 CT 的衰减校正（其中 CT 扫描仅用于衰减目的），以及减少 PET 和 SPECT 扫描中的辐射剂量和采集时间。除了节省与影像检查相关的成本外，AI 可实现的净节省机会中约有三分之一可以集中在行政成本上。迫切需要通过前瞻性研究对 AI 技术的成本效益进行严格调查。
开放科学
核医学领域 AI 出版物的增长并未伴随着共享模型数量的增加。这一差距阻碍了独立验证，而独立验证对于实现这些模型的全部临床潜力是必要的。鼓励代码共享实践对于促进可信、可重复的 AI 并推动更广泛的临床采用至关重要。培养可共享的文化也可以支持使用限制访问的存档数据进行联邦训练和公开可用 AI 模型的外部验证。
为此，AI 工作组进行了系统的在线文献综述，并确定了具有可公开获取的可执行代码、源代码和文档的可共享 AI 模型。这些模型已被整理到一个基于 NMMItools.org 平台的开放访问网络数据库中，具有结构化模板、分类和标记关键词，便于导航。自动化的文献搜索和交互式反馈工具确保了持续更新以及开发者和用户之间的协作。这个开放、互动的平台旨在建立一个蓬勃发展的社区，提高对可共享 AI 模型的认识，并鼓励负责任的代码共享实践。
报销与资金
负责任的医疗 AI 采用要求 AI 系统惠及患者，并且人群在持续和可持续的水平上获得经济激励。提供者和医疗系统是否决定采用和部署特定的医疗 AI 算法，在很大程度上受到报销、覆盖范围和医疗责任等因素的影响。
AI 算法的报销必须考虑到如果 AI 服务未被提供所产生的额外支出。延迟诊断会增加治疗成本，而较差的预后会产生不利的经济后果。AI 价值的成本效益阈值源自支付方目前为人类提供者（如专家）提供的服务所支付的费用。这些服务的价值通常基于提供者的专业知识、时间和所提供的辅助服务。它源自当前服务于整个接受服务人群的一个子集的总价值，是在人群层面上得出的。
被归类为“软件即服务”的技术依赖复杂的算法或统计预测模型来辅助诊断或治疗患者的病情，提供者按订阅或按次使用付费。其中一个例子是 CT 衍生的血流储备分数，它涉及专有数据分析，以生成患者冠状动脉的三维图像，识别血流储备分数，并确定是否需要有创冠状动脉造影。软件即服务在核医学领域具有广阔的前景。
几年前，美国医疗保险和医疗补助服务中心发布了关于“医疗保险创新技术覆盖”的拟议规则，这是为 FDA 认定为突破性设备的技术提供医疗保险支付的一条途径。此类设备必须提供比任何其他已批准或获批的替代品更有效的治疗，或诊断危及生命或不可逆转的致残性疾病。不幸的是，开发能够满足 MCIT 要求的核医学 AI 算法将是困难的。
尽管放射学在 FDA 批准的 AI 算法中占主导地位，但其中不到 10% 的算法适用于诊断和治疗性核医学、分子影像和放射性药物疗法。因此，核医学界必须协作引进新算法并证明其价值。
结论
SNMMI 2024 年 AI 峰会强调了展示 AI 价值的重要性，这对于建立报销模式至关重要。实现这一目标需要核医学利益相关者（医生、物理学家、技师和计算科学家）之间的合作，并研究 AI 在降低患者护理成本和支持全球医疗保健方面的作用。突出 AI 在解决临床重大挑战（例如在计算核肿瘤学中）方面的潜力，可以展示其对治疗的影响并推动进一步研究。
另一个收获是应对核医学数据可及性的挑战。训练 AI 算法并对其进行严格验证需要数据。此外，为了建立泛化能力，在多中心数据上进行测试很重要。为了实现这些目标，迫切需要各中心通过集中式数据存储库等方法携手共享数据。然而，人们也认识到共享数据存在挑战，可以考虑采用联邦学习等方法。
峰会强调了在核医学界内开展 AI 教育项目的必要性，面向医生、物理学家、计算科学家、技师和行业合作伙伴。该项目将为住院医师、学生、博士后和工程师提供多学科培训，促进 AI 开发者和临床医生之间的合作，以使 AI 解决方案与临床需求保持一致。人们对开发 SNMMI 人工智能证书项目也表示了兴趣。此外，峰会还强调了对 AI 算法进行严格验证，并提出 RELAINCE 指南，该指南可作为在临床任务上验证 AI 的基础。
披露
本文未报告与内容相关的潜在利益冲突。
致谢
作者感谢 Bonnie Clarke 和 Lance Burrell 为组织 SNMMI AI 工作组会议以及 2024 年 AI 峰会所做的巨大努力。
脚注
在线发表于 2025 年 11 月 25 日。
版权声明
© 2026 核医学与分子影像学会。
参考文献
(为简洁起见，参考文献列表在此省略，但原文中包含 18 条参考文献。)
【全文结束】