基于盆腔超声的深度学习模型在卵巢癌精准诊断中的应用

*仅供医学专业人士阅读参考

超声成像结合深度学习，赋能卵巢癌精准诊断。

卵巢癌因其发病部位隐蔽，早期症状不明显，早期诊断较为困难，初诊患者晚期比例高。尽管接受全面、系统的手术和完整的化疗，但卵巢癌患者的总体诊疗结局无明显改善，晚期患者5年生存率<30%[1]。盆腔超声是提高卵巢或附件肿块诊断精度的主要成像技术，但其诊断准确性依赖于超声专家的专业知识和主观判断，且针对深度学习模型性能评估的研究仍显不足。2024年美国临床肿瘤学会（ASCO）大会公布的一项研究旨在开发一种创新的深度学习模型，该模型综合超声图像与临床信息（如患者年龄及CA-125水平），以期实现卵巢良恶性肿瘤的高精度鉴别诊断（摘要号：5543）[2]。本文特将研究重点梳理如下，以飨读者。

试验方法

本研究收集了2015年至2022年间被诊断为卵巢恶性肿瘤或良性肿瘤患者的盆腔超声图像、年龄和诊断时CA-125水平信息。将图像分割为囊性和实性部分，并对数据进行处理以提取特征。在卷积神经网络模型的开发过程中，将患者分配至训练数据集（565名患者）、验证数据集（76名患者）和测试数据集（163名患者）。在利用卷积神经网络模型进行特征提取后，结合年龄和肿瘤标志物来将这些图像分类为恶性或良性。利用这些数据集，评估深度学习模型的诊断价值。开发一种新的AI模型，该模型可将图像特征和临床信息结合。该模型将特征提取器和分类器从传统AI模型的架构中分离出来，分类器除了接收图像信息外，还接收临床信息数据。在传统AI模型中，使用了ResNet50和DenseNet121。

试验结果

研究共纳入804例卵巢肿瘤患者，其中446例患者为良性肿瘤，358例患者为恶性肿瘤。当仅使用卵巢的盆腔超声图像检测卵巢癌时，ResNet50模型的AUC值为0.84，DenseNet121模型的AUC值为0.82。当将分割后的实性部分图像和临床数据与卵巢图像相结合用于检测卵巢癌时，ResNet50模型的AUC值提升至0.95，DenseNet121模型的AUC值提升至0.96。在测试数据集中，ResNet50和DenseNet121检测卵巢癌的灵敏度分别为90%和81%，特异性分别为93%和97%，阳性预测值分别为92%和95%，阴性预测值分别为92%和86%。

试验结论

基于深度学习算法的二元分类模型，使用盆腔超声图像可以准确地区分卵巢的良性和恶性肿瘤。将分割后的实性部分图像、年龄和诊断时CA-125水平信息与盆腔超声图像相结合，提高了分类模型的准确性。

总结与思考

卵巢癌的及时诊断和治疗是患者预后的关键决定因素，早期诊断的卵巢癌患者5年生存率高达92%，而晚期诊断的卵巢癌患者5年生存率仅为29%[3]。因此，准确区分卵巢良恶性肿瘤对于制定有针对性和有效的治疗策略至关重要。在卵巢癌的监测与诊断过程中，血清肿瘤标志物扮演着举足轻重的角色，其中CA125作为上皮性卵巢癌的关键生物标志物，其重要性被广泛认可。然而，不容忽视的是，CA125的敏感性与特异性尚存局限，其水平易受多种生理及病理状态的影响，包括但不限于月经周期、妊娠状态、子宫内膜异位症及腹膜炎症性疾病等，这无疑为基于CA125的单一诊断策略带来了挑战[4]。

为了克服这一难题，超声成像技术作为卵巢或附件肿块诊断的首选工具，其重要性日益凸显。通过高分辨率的图像呈现，超声技术能够显著提升诊断的精确度。然而，超声诊断的准确性高度依赖于操作人员的专业技能与主观判断，技术人员间经验水平的不同导致了诊断结果的差异性[5]。在此背景下，影像组学作为医学图像分析领域的新兴力量，正逐步展现出潜力。通过将复杂的医学图像转化为可量化的肿瘤相关生物信息特征，影像组学为临床决策提供了更为丰富、深入的依据。这些特征不仅有助于提高对肿瘤异质性的理解，更为制定个性化、精准的治疗方案开辟了新途径[6]。传统的手工影像组学方法虽能提取部分图像特征，但其局限性在于仅能触及表面，难以全面捕捉肿瘤的复杂性与多样性[7]。相比之下，深度学习技术的兴起，为影像组学的发展注入了新的活力。作为一项涵盖多层级、多算法的前沿技术，深度学习，尤其是卷积神经网络，在医学图像分割与分类任务中展现出了卓越的性能，为卵巢癌的精准诊断与治疗策略的制定提供了强有力的技术支持[8]。

本研究结果显示，采用深度学习算法的二元分类模型，结合分割后盆腔超声图像的实性部分、患者的诊断年龄以及CA-125水平信息，能够显著提升卵巢良恶性肿瘤诊断的准确性。

参考文献：

[1].马睿,刘竹青,冯炜炜,等. 免疫治疗在晚期妇科恶性肿瘤中的研究进展[J]. 中华转移性肿瘤杂志,2024,07(03)：286-290.

[2].Hyun-Woong Cho,et al. Pelvic ultrasound-based deep learning models for accurate diagnosis of ovarian cancer: Retrospective multicenter study.J Clin Oncol 42, 2024 (suppl 16; abstr 5543)

[3].Lheureux S, Gourley C, Vergote I, Oza AM. Epithelial ovarian cancer. Lancet. 2019 Mar 23;393(10177):1240-1253.

[4].Charkhchi P,et al. CA125 and Ovarian Cancer: A Comprehensive Review. Cancers (Basel). 2020 Dec 11;12(12):3730.

[5].Meys EM,et al. Subjective assessment versus ultrasound models to diagnose ovarian cancer: A systematic review and meta-analysis. Eur J Cancer. 2016 May;58:17-29.

[6].Gillies RJ, Kinahan PE, Hricak H. Radiomics: Images Are More than Pictures, They Are Data. Radiology. 2016 Feb;278(2):563-77.

[7].Gao W,et al. A predictive model integrating deep and radiomics features based on gadobenate dimeglumine-enhanced MRI for postoperative early recurrence of hepatocellular carcinoma. Radiol Med. 2022 Mar;127(3):259-271.

[8].McBee MP,t al. Deep Learning in Radiology. Acad Radiol. 2018 Nov;25(11):1472-1480. doi: 10.1016/j.acra.2018.02.018. Epub 2018 Mar 30. PMID: 29606338.

审批编号：CN-142764 过期日期：2025-9-1本材料由阿斯利康提供，仅供医疗卫生专业人士参考，不用于推广目的。

*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。