苏州医工所高欣团队提出一种用于卵巢癌术前精准无创诊断的多示例卷积神经网络

作者:简俊明 时间:2021-12-06
 

  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 CancerEOC),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 TumorsBEOT),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EOCBEOT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 ImagingDOI: 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T2WIADCT1WI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T2WIADCT1WI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EMPLMP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EMPLMP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EOCBEOT鉴别诊断上的价值。作为前期基于影像组学鉴别EOCBEOT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 

 1 EOCBEOT鉴别模型。(a)多示例卷积神经网络架构;(bEMP模型与LMP模型。 

 2 EMP模型与LMP模型性能对比。 

 3 LMP模型与六位影像科医生的诊断能力对比。根据医生的临床经验,六位影像科医生被分为两组:组12年,3年及5年),组210年,12年及13年)。 

附件下载: