近日，中国科学院苏州生物医学工程技术研究所研究员高欣团队借助人工智能技术，提出了一种基于多示例卷积神经网络的全自动诊断方法，大大提升了卵巢癌术前精准无创诊断的客观性与稳定性。相关研究发表于《磁共振成像杂志》。

“卵巢癌是一种‘沉默的肿瘤’，其恶性程度位居女性生殖系统恶性肿瘤榜首，超过70%的患者在初次确诊时已经是晚期。”复旦大学附属肿瘤医院教授吴小华表示，由于卵巢癌发病症状隐匿且进展非常迅速，确诊患者的5年生存率不足40%。即便经过手术和一线化疗等常用治疗方法，90％以上的卵巢癌患者仍然会在5年内复发。

其中，上皮性卵巢癌（EOC）即恶性上皮性卵巢肿瘤，是卵巢癌最主要类型，约占卵巢癌发病人数90%，其预后较差，五年生存率仅为35%。但是，另外一种属于低度恶性的交界性上皮性卵巢肿瘤（BEOT），则具有较好的预后，五年生存率可达92%。

并且，两者的治疗方式差异巨大。EOC患者通常需要进行全面分期手术或肿瘤细胞减灭术，切除患者全子宫及双附件；而BEOT患者通常可进行保留生育力的手术，保留子宫以及至少一部分卵巢。

那么，如何准确有效地区分卵巢癌的类型，成为预测其治疗效果的重要因素。

采访中，记者了解到，目前临床上为卵巢癌患者术前肿瘤状态评估主要通过细针穿刺细胞学检查，但该方法是一种有创检查手段，可能会导致囊肿破裂，引发肿瘤细胞腹腔种植，致肿瘤扩散。

因此，研发出一种针对卵巢癌术前无创诊断分型的方法，能有效地避免治疗不足或过度治疗，进而提升患者预后。

高欣表示，多参数核磁共振成像广泛应用于EOC与BEOT的术前无创鉴别诊断，但临床上主要依赖放射科医生的肉眼判断，主观性较大、耗时长且准确率不高，平均准确率74%~89%。“此前，我们开发了一种基于影像组学的诊断方法，取得了91.7%的平均准确率，但该方法依赖于人工勾画病灶靶区，无法完全克服主观、耗时等问题，临床应用受限”。

“为此，我们借助人工智能技术，提出一种基于多示例卷积神经网络的全自动诊断方法，分别构建了将T2WI、ADC及T1WI序列分别作为图像的红、绿、蓝通道进行融合的图像级多参数（EMP）模型，和使用线性回归模型将T2WI、ADC及T1WI序列各自的预测结果进行整合的决策级多参数（LMP）模型。”该研究团队博士简俊明说。

为了验证上述模型的准确率，该研究团队还将EMP和LMP模型的诊断性能与6位影像科医生组成的专家团队（从业时间介于2~13年）进行了对比。结果显示，相比于6位影像科医生的平均水平（准确率79.7%），EMP模型与LMP模型都具有优秀的鉴别诊断能力，且后者准确率（88.4%）略高于前者（85.5%）。

专家表示，该研究的价值在于探索并验证了在不进行肿瘤区域勾画的情况下，人工智能技术在EOC与BEOT鉴别诊断上的价值。作为前期基于影像组学鉴别EOC与BEOT工作的延伸，虽然本研究中提出的模型诊断精度略有下降，但其摆脱了对病灶靶区精细勾画的依赖，客观性及稳定性更强，应用推广价值更高。借助该模型，放射科医生仅需确定肿瘤区域的最上和最下层面位置，便可实现全自动分类模型构建及预测。

相关论文信息：https://doi.org/10.1002/jmri.28008

https://doi.org/10.1002/jmri.27084