3月30日，上海临床研究中心特聘科学家、上海科技大学生物医学工程学院王乾教授课题组，联合复旦大学附属华山医院等机构，在 Nature 旗下知名期刊 npj Digital Medicine (IF=15.1) 上在线发表了题为 “A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease” 的研究论文。针对 PET 定量结果在不同成像平台间存在差异的问题，该工作开发了一个统一的、解剖结构引导的深度学习框架，可实现多厂商、多示踪剂 PET-MRI 数据的跨平台定量校准，使其与 PET-CT 定量结果一致，为跨平台 PET 定量结果的临床互认提供了技术支撑。
PET 成像是神经退行性疾病（如阿尔茨海默病）诊断和治疗监测的关键手段。然而，PET 定量值受不同成像平台等因素的影响，制约了诊断阈值跨设备直接应用和跨研究中心的比较。本研究提出的框架通过三大架构创新解决了这一难题：首先，采用基于 Vision Transformer 的自编码器学习 CT 衰减特征；其次，通过对比学习将 MRI 特征对齐到 CT 空间；最后，进行注意力引导的残差校正。该设计使模型能够捕获可泛化的平台物理差异，而非针对特定示踪剂的模式进行拟合。
数据采集流程及三阶段校正框架
研究团队利用70例同日配对 (PET-CT 与 PET-MR) 扫描数据 (涵盖 18F-florbetaben、18F-FDG、18F-florzolotau 三种示踪剂) 进行模型五折交叉训练与测试。结果表明，该框架将跨平台定量偏差降低了80%以上，同时保留了脑区间关键的生物学拓扑关联。尤为重要的是，在未经过重新训练的情况下，该框架能够“零样本”泛化至训练中未见的全新示踪剂 (18F-florbetapir, 18F-FP-CIT)。一项包含420名受试者、涉及三个中心、四个厂商平台的多中心临床验证进一步证明，经该框架标准化后，淀粉样蛋白 Centiloid 值的平台间差异从23.6降至4.1 (已接近 PET-CT 自身重测变异范围)，并使 tau 蛋白 SUVR 诊断阈值与 PET-CT 标准高度对齐。
该研究建立了一种能够实现 PET-MRI 与 PET-CT 跨平台、多示踪剂定量一致性的实用化路径。这将有助于在临床和科研中更广泛地应用辐射剂量更低的 PET-MRI，支持患者在治疗过程中跨设备转换时的可靠纵向监测，并为多中心临床试验整合不同成像平台提供了关键技术支持。
上海临床研究中心特聘科学家、上科大生医工学院王乾教授，复旦大学附属华山医院左传涛教授，张慧玮副主任医师为本文的共同通讯作者。上科大生医工学院硕士研究生钟奥程、博士研究生黄浩霖、复旦大学附属华山医院王静博士、徐蒨博士为本文共同第一作者。上海科技大学沈定刚教授及其团队参与合作，上海临床研究中心为共同完成单位。
论文链接：
https://doi.org/10.1038/s41746-026-02570-0