NSCLC 조직학적 검사를 위한 가상 스캔: 합성 PET 데이터의 분별력 평가

Virtual Scanning for NSCLC Histology: Investigating the Discriminatory Power of Synthetic PET

비소세포 폐암(NSCLC)에서 정확한 선암종(ADC)과 편평상피세포암(SCC)의 조직학적 감별은 맞춤형 치료에 매우 중요합니다. [¹⁸F]FDG PET/CT는 폐암의 임상 평가를 위한 표준 도구이지만, 높은 비용과 방사선 노출로 인해 활용이 제한되는 경우가 많습니다. 본 논문에서는 합성 PET 데이터가 조직학적 아형 분류에서 해부학적 CT 스캔을 보완하여 추가적인 특징 표현을 제공할 수 있는지 평가함으로써, '가상 스캔'의 실현 가능성을 특징 향상 전략으로 조사합니다. 저희는 FDG-PET/CT 병변 데이터셋으로 사전 훈련된 3D Pix2Pix 생성적 적대 신경망(GAN)을 활용하여 해부학적 CT 스캔으로부터 가짜 PET 볼륨을 생성하는 프레임워크를 제안합니다. 이러한 가짜 볼륨은 다단계 중간 융합 아키텍처인 MINT 프레임워크 내에서 구조적 CT 데이터와 통합됩니다. 714명의 피험자를 대상으로 한 다기관 데이터셋에 대한 실험 결과, 합성 대사 특징을 포함하면 CT만 사용하는 경우보다 분류 성능이 크게 향상되는 것으로 나타났습니다. 다중 모드 접근 방식은 곡선 아래 면적(AUC)을 0.489에서 0.591로, 기하 평균(GMean)을 0.305에서 0.524로 통계적으로 유의미하게 증가시켰습니다. 이러한 결과는 합성 PET 스캔이 딥 러닝 모델이 상호 보완적인 교차 모드 정보를 활용할 수 있도록 하는 분별력 있는 대사 신호를 제공하며, 실제 PET 스캔이 불가능한 임상 시나리오에서 잠재적인 특징 향상 전략이 될 수 있음을 시사합니다.

Accurate histological differentiation between adenocarcinoma (ADC) and squamous cell carcinoma (SCC) is critical for personalized treatment in non-small cell lung cancer (NSCLC). While [$^{18}$F]FDG PET/CT is a standard tool for the clinical evaluation of lung cancer, its utility is often limited by high costs and radiation exposure. In this paper, we investigate the feasibility of "virtual scanning" as a feature-enhancement strategy by evaluating whether synthetic PET data can provide complementary feature representations to supplement anatomical CT scans in histological subtype classification. We propose a framework that leverages a 3D Pix2Pix Generative Adversarial Network (GAN), pretrained on the FDG-PET/CT Lesions dataset, to synthesize pseudo-PET volumes from anatomical CT scans. These synthetic volumes are integrated with structural CT data within the MINT framework, a multi-stage intermediate fusion architecture. Our experiments, conducted on a multi-center dataset of 714 subjects, demonstrate that the inclusion of synthetic metabolic features significantly improves classification performance over a CT-only baseline. The multimodal approach achieved a statistically significant increase in the Area Under the Curve (AUC) from 0.489 to 0.591 and improved the Geometric Mean (GMean) from 0.305 to 0.524. These results suggest that synthetic PET scans provide discriminatory metabolic cues that enable deep learning models to exploit complementary cross-modal information, offering a potential feature-enhancement strategy for clinical scenarios where physical PET scans are unavailable.