全身PET/CT可同时提供病灶的代谢与解剖信息，是肺癌诊断与分期的核心手段。然而，PET/CT报告的撰写负担沉重，医生需逐层判读覆盖全身的三维容积图像，将每一处异常摄取与对应解剖结构精确匹配，并形成包含定量指标的专业报告。

近日，中国科学院深圳先进技术研究院等在全身PET/CT报告自动生成领域取得进展。研究团队提出了面向肺癌的两阶段、TNM可问责的报告自动生成技术。在生成流畅报告草稿的同时，将原发肿瘤、淋巴结及远处转移等分期关键结论关联到显式、可检视的疾病分类标签与文本证据之上，使医生能够快速核验其中的高风险陈述，从而减轻医生PET/CT判读负担，为可信AI报告系统的临床落地提供了可行路径。

研究团队提出两阶段生成框架。第一阶段由双通道三维编码器分别从PET与CT学习融合的代谢—解剖表征，快速生成面向TNM的结构化印象，以清单形式显式列出原发灶的多项分期关键证据。第二阶段以该结构化印象作为指导，自去标识化的范例库中按器官分层检索相似报告片段，约束大语言模型仅依据结构化印象与检索证据合成完整报告。

研究团队构建了多中心数据集，涵盖三家医院共1583名疑似或确诊肺癌患者，每例均包含完整的全身PET/CT影像与对应报告。研究结果显示，在包含外部数据的多中心测试集上，该技术取得最优的整体报告生成性能，常规语言指标全面领先。同时，研究团队提出临床报告能力矩阵，从代谢检出、病灶定位和恶性分类三个维度量化临床准确性。

相关研究成果发表在Research上。研究工作得到国家自然科学基金、国家重点研发计划等的支持。

科学家提出肺癌报告自动生成新技术