في عالم الطب الحديث، تعتبر الدقة في تشخيص الأمراض السرطانية، وخاصة سرطان الرئة غير الصغير (NSCLC)، مسألة حيوية لضمان العلاج المخصص والفعال. التحدي الحقيقي يكمن في التمييز بين الأنواع المختلفة مثل الغدة السرطانية (ADC) وسرطان الخلايا الحرشفية (SCC)، حيث تتطلب كل منهما أساليب علاج مختلفة.

تعد تقنيات التصوير التقليدية مثل ([${^{18}}F]FDG PET/CT) أدوات قياسية لتقييم حالات مرضى سرطان الرئة، إلا أن تكاليفها المرتفعة وكمية الإشعاع المتعرض لها تحدان من استخدامها. وفي هذا الصدد، تمثل تقنية "المسح الافتراضي" (Virtual Scanning) إمكانيات جديدة وإبداعية لتحسين تمييز الأنواع التاريخية للسرطان.

دراسة حديثة قامت بالتحقيق في إمكانية استخدام بيانات PET الاصطناعية كاستراتيجية لتعزيز الخصائص المساعدة، حيث تم اقتراح إطار عمل يستخدم شبكة الخصائص التوليدية التنافسية ثلاثية الأبعاد (3D Pix2Pix GAN) مسبقة التدريب .

تم إجراء التجارب على مجموعة بيانات متعددة المراكز تضم 714 مريضًا، حيث أظهرت النتائج أن إدماج الخصائص الأيضية الاصطناعية قد أدى إلى تحسين كبير في أداء التصنيف مقارنة بالاعتماد على بيانات التصوير CT فقط.

على سبيل المثال، تم رصد زيادة ملحوظة في قيمة المساحة تحت المنحنى (AUC) من 0.489 إلى 0.591، وتحسن في المتوسط الهندسي (GMean) من 0.305 إلى 0.524. هذه النتائج تؤكد على أن المسح باستخدام بيانات PET الاصطناعية يوفر معلومات أيضية تمييزية تمكّن نماذج التعلم العميق من استغلال معلومات متعددة الأبعاد، مما يوفر استراتيجية جديدة تحمل الكثير من الأمل للتطبيقات السريرية حيث يكون الوصول إلى المسح PET الفعلي محدودًا.