卵巢癌（Ovarian Cancer）是女性生殖系统最常见的恶性肿瘤之一，致死率高居妇科恶性肿瘤第一位。上皮性卵巢癌（Epithelial Ovarian Cancer，EOC），也即恶性上皮性卵巢肿瘤，是卵巢癌最主要的最主要类型，占比约为90%，其预后较差，五年生存率仅为35%。此外，还有一种属于低度恶性的交界性上皮性卵巢肿瘤（Borderline Epithelial Ovarian Tumors，BEOT），则具有较好的预后，五年生存率可达92%。二者治疗方式差异巨大，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。细针穿刺细胞学检查常用于术前肿瘤状态评估，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，术前无创准确地区分二者，可为治疗方案的制定提供安全可靠的依据，避免治疗不足或过度治疗，有效提升患者预后。
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%）。团队前期开发了一种基于影像组学的诊断方法（Journal of Magnetic Resonance Imaging，DOI: 10.1002/jmri.27084），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，中国科学院苏州医工所简俊明博士借助人工智能技术，提出一种基于多示例卷积神经网络的全自动诊断方法（见图1），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。同时，团队还将EMP和LMP模型的诊断性能与六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。研究结果显示，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%）（见图2）。此外，相比于六位影像科医生的平均水平（准确率79.7%），团队构建的EMP和LMP模型都具有明显优势（见图3）。
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。
该研究受广东省重点研究发计划等项目资助，相关成果发表于Journal of Magnetic Resonance Imaging (DOI: 10.1002/jmri.28008)。
论文链接：https://onlinelibrary.wiley.com/doi/abs/10.1002/jmri.28008
