本报讯 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》。

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，5年生存率仅为35%。但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，5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。

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，目前临床上对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，构建了具有良好鉴别诊断的新模型。”该研究团队博士简俊明说，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。

（李羽壮）

相关论文信息：

https://doi.org/10.1002/jmri.28008

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