基於盆腔超聲的深度學習模型在卵巢癌精準診斷中的應用

*僅供醫學專業人士閱讀參考

超聲成像結合深度學習，賦能卵巢癌精準診斷。

卵巢癌因其發病部位隱蔽，早期症狀不明顯，早期診斷較爲困難，初診患者晚期比例高。儘管接受全面、系統的手術和完整的化療，但卵巢癌患者的總體診療結局無明顯改善，晚期患者5年生存率<30%[1]。盆腔超聲是提高卵巢或附件腫塊診斷精度的主要成像技術，但其診斷準確性依賴於超聲專家的專業知識和主觀判斷，且針對深度學習模型性能評估的研究仍顯不足。2024年美國臨牀腫瘤學會（ASCO）大會公佈的一項研究旨在開發一種創新的深度學習模型，該模型綜合超聲圖像與臨牀信息（如患者年齡及CA-125水平），以期實現卵巢良惡性腫瘤的高精度鑑別診斷（摘要號：5543）[2]。本文特將研究重點梳理如下，以饗讀者。

試驗方法

本研究收集了2015年至2022年間被診斷爲卵巢惡性腫瘤或良性腫瘤患者的盆腔超聲圖像、年齡和診斷時CA-125水平信息。將圖像分割爲囊性和實性部分，並對數據進行處理以提取特徵。在卷積神經網絡模型的開發過程中，將患者分配至訓練數據集（565名患者）、驗證數據集（76名患者）和測試數據集（163名患者）。在利用卷積神經網絡模型進行特徵提取後，結合年齡和腫瘤標誌物來將這些圖像分類爲惡性或良性。利用這些數據集，評估深度學習模型的診斷價值。開發一種新的AI模型，該模型可將圖像特徵和臨牀信息結合。該模型將特徵提取器和分類器從傳統AI模型的架構中分離出來，分類器除了接收圖像信息外，還接收臨牀信息數據。在傳統AI模型中，使用了ResNet50和DenseNet121。

試驗結果

研究共納入804例卵巢腫瘤患者，其中446例患者爲良性腫瘤，358例患者爲惡性腫瘤。當僅使用卵巢的盆腔超聲圖像檢測卵巢癌時，ResNet50模型的AUC值爲0.84，DenseNet121模型的AUC值爲0.82。當將分割後的實性部分圖像和臨牀數據與卵巢圖像相結合用於檢測卵巢癌時，ResNet50模型的AUC值提升至0.95，DenseNet121模型的AUC值提升至0.96。在測試數據集中，ResNet50和DenseNet121檢測卵巢癌的靈敏度分別爲90%和81%，特異性分別爲93%和97%，陽性預測值分別爲92%和95%，陰性預測值分別爲92%和86%。

試驗結論

基於深度學習算法的二元分類模型，使用盆腔超聲圖像可以準確地區分卵巢的良性和惡性腫瘤。將分割後的實性部分圖像、年齡和診斷時CA-125水平信息與盆腔超聲圖像相結合，提高了分類模型的準確性。

總結與思考

卵巢癌的及時診斷和治療是患者預後的關鍵決定因素，早期診斷的卵巢癌患者5年生存率高達92%，而晚期診斷的卵巢癌患者5年生存率僅爲29%[3]。因此，準確區分卵巢良惡性腫瘤對於制定有針對性和有效的治療策略至關重要。在卵巢癌的監測與診斷過程中，血清腫瘤標誌物扮演着舉足輕重的角色，其中CA125作爲上皮性卵巢癌的關鍵生物標誌物，其重要性被廣泛認可。然而，不容忽視的是，CA125的敏感性與特異性尚存侷限，其水平易受多種生理及病理狀態的影響，包括但不限於月經週期、妊娠狀態、子宮內膜異位症及腹膜炎症性疾病等，這無疑爲基於CA125的單一診斷策略帶來了挑戰[4]。

爲了克服這一難題，超聲成像技術作爲卵巢或附件腫塊診斷的首選工具，其重要性日益凸顯。通過高分辨率的圖像呈現，超聲技術能夠顯著提升診斷的精確度。然而，超聲診斷的準確性高度依賴於操作人員的專業技能與主觀判斷，技術人員間經驗水平的不同導致了診斷結果的差異性[5]。在此背景下，影像組學作爲醫學圖像分析領域的新興力量，正逐步展現出潛力。通過將複雜的醫學圖像轉化爲可量化的腫瘤相關生物信息特徵，影像組學爲臨牀決策提供了更爲豐富、深入的依據。這些特徵不僅有助於提高對腫瘤異質性的理解，更爲制定個性化、精準的治療方案開闢了新途徑[6]。傳統的手工影像組學方法雖能提取部分圖像特徵，但其侷限性在於僅能觸及表面，難以全面捕捉腫瘤的複雜性與多樣性[7]。相比之下，深度學習技術的興起，爲影像組學的發展注入了新的活力。作爲一項涵蓋多層級、多算法的前沿技術，深度學習，尤其是卷積神經網絡，在醫學圖像分割與分類任務中展現出了卓越的性能，爲卵巢癌的精準診斷與治療策略的制定提供了強有力的技術支持[8]。

本研究結果顯示，採用深度學習算法的二元分類模型，結合分割後盆腔超聲圖像的實性部分、患者的診斷年齡以及CA-125水平信息，能夠顯著提升卵巢良惡性腫瘤診斷的準確性。

參考文獻：

[1].馬睿,劉竹青,馮煒煒,等. 免疫治療在晚期婦科惡性腫瘤中的研究進展[J]. 中華轉移性腫瘤雜誌,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.

審批編號：CN-142764 過期日期：2025-9-1本材料由阿斯利康提供，僅供醫療衛生專業人士參考，不用於推廣目的。

*“醫學界”力求所發表內容專業、可靠，但不對內容的準確性做出承諾；請相關各方在採用或以此作爲決策依據時另行覈查。