游客,您好,欢迎您进入科技信息监测服务平台! 登录 | 注册  帮助中心
您当前的位置: 首页 > 编译内容

编译内容

编译服务: 生物安全知识资源中心—领域情报网 编译者: hujm 编译时间: Dec 8, 2021 点击量: 308

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,中科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

 

提供服务
导出本资源