SySCOM: epileptogenic focus localisation using synthetic interictal SPECT images in SISCOM
⭐ 8.1/10EJNMMI Physics. 2026.
Azin Shokraei Fard, David C. Reutens, Stuart C. Ramsay, et al.
分流：D_方法借鉴来源：nature-literature-pipeline
💡 一句话
用 3D 生成对抗网络从 FDG-PET 合成发作间期 SPECT，替代真实扫描用于 SISCOM 术前定位致痫灶，五名临床医生盲评证实可减少所需影像。
📖 背景
发作间期 SPECT 是 SISCOM 术前定位致痫区的关键组成，但其临床可靠性受「发作间期扫描是否为无发作基线」的不确定性影响；且多数患者还需额外做 FDG-PET 与 MRI，若能用 ML 合成替代部分扫描可降低成本与辐射。
🔬 方法
用 40 例难治性局灶性癫痫患者的 PET 训练三维生成对抗网络合成发作间期 SPECT；在 9 例独立患者验证队列上用 SSIM/PSNR/RMSE 评估合成质量；真实与合成 SPECT 均按标准临床流程生成 SISCOM 输出，由 5 位经验丰富的医生盲评比较。
📊 关键结果
· 3D GAN 可从 FDG-PET 合成发作间期 SPECT · 合成 SPECT 生成的 SISCOM 输出与真实扫描的定位一致性经盲评验证 · 提示可减少患者所需影像种类/次数
🎯 意义与展望
为术前定位提供「少扫一次」的合成影像路径，降低患者负担。局限在于单中心 40+9 例样本、SPECT 定位本身的空间分辨率限制；EJNMMI Physics 为核医学影像正式期刊。
🧭 点评
D 类，可借鉴其「医学影像合成 + 临床盲评验证」范式。若你涉及多模态脑影像（PET/SPECT/MRI）的 AI 融合或生成，其评估设计值得参考；与主线（EEG/网络）相关度中等，无需精读全文。