图片来源：视觉中国

本报讯 近日，中山大学肿瘤防治中心妇科教授刘继红团队与南方医科大学等机构的学者合作，针对卵巢癌目前早期诊断困难、缺乏有效肿瘤标志物的问题，基于常规体检中的实验室检验，构建了卵巢癌诊断人工智能融合模型，提供了一种低成本、易获取、高准确率的卵巢癌辅助诊断工具。相关成果发表于《柳叶刀-数字健康》。

该研究收集了中山大学肿瘤防治中心、华中科技大学同济医学院附属同济医院、浙江大学医学院附属妇产科医院超1万名女性的98项实验室检查结果，并基于团队自主研发的人工智能融合框架——MCDM框架，融合20个基分类模型，构建了卵巢癌预测模型——MCF模型，最终纳入51项实验室检验指标和年龄指标。其在内部验证集和两个独立的外部验证集上的AUC（ROC曲线下面积）分别达0.949、0.882和0.884。

研究结果显示，MCF模型识别卵巢癌患者，特别是早期卵巢癌患者的准确度和灵敏度显著高于传统卵巢癌标志物，且在部分指标缺失的人群中依然能对卵巢癌风险作出较准确的预测，提示MCF模型具有较好的稳定性，并对真实世界数据具有较好的兼容性。

该研究构建的MCF模型已封装为开源的卵巢癌预测工具，输入相应实验室检验数据和年龄即可计算患卵巢癌的风险值。由于模型使用的所有特征均为常规实验室项目，故在体检机构或对妇科肿瘤诊治经验有限的基层医疗机构中，该模型可为卵巢癌的诊断提供宝贵且高效的决策帮助。

该研究还发现，除肿瘤标志物外，其他常规实验室检验指标，如D-D二聚体、血小板计数等，也对卵巢癌诊断预测有较大贡献，提示这些检验指标相关病理生理过程可能在卵巢癌的发展过程中发挥了重要作用，其潜在机制值得进一步探讨。（朱汉斌）

相关论文信息：

https://doi.org/10.1016/S2589-7500(23)00245-5