卵巢癌是一种常见的妇科恶性肿瘤，其发病率居妇科恶性肿瘤第二位，病死率居首位。其中，上皮性卵巢癌（epithelial ovarian cancer, EOC）占比高达90-95%。目前EOC的治疗主要包括肿瘤细胞减灭术和辅助静脉化疗。术前肿瘤评估对于制定治疗计划和改善患者预后至关重要。识别和描绘肿瘤区域（EOC分割）是肿瘤评估的先决条件，这也有助于简化后续的疗效评估。然而在临床实践中，EOC分割通常由临床医生手动或使用半自动方法逐层逐像素进行，该过程费时费力。随着医学图像数据的急速增加，临床对EOC全自动分割方法的需求愈发迫切。
近年来，人工智能在医学图像分割领域已经得到了广泛应用，但目前尚未有EOC分割方面的相关研究发表。为此，苏州医工所高欣团队评估了深度学习在EOC分割上的可行性。该研究共纳入包括复旦大学附属金山医院在内的八家医院共339例EOC患者的磁共振（MR）影像，选取5种评价指标，对不同模型的分割性能进行评估。此外，团队进一步分析了肿瘤分期和组织学类型对于模型分割性能的影响。
研究结果表明，U-Net++模型在内外部测试集上均取得最优分割结果（如表1和表2所示，内部测试集上Dice相似性系数大于0.85，外部测试集上Dice相似性系数达到0.74），展现了模型优越的精度和泛化性。此外，模型在晚期肿瘤和浆液性肿瘤上的分割精度相对较低，证明不同肿瘤分期和组织学类型对于模型的分割性能具有一定影响。
表1 内部测试集上的分割性能对比
|
Model |
DSC |
HD (mm) |
ASSD (mm) |
Precision |
Recall |
|
U-Net |
0.845 |
27.6 |
1.93 |
0.831 |
0.876 |
|
DeepLabv3 |
0.847 |
24.6 |
1.94 |
0.829 |
0.887 |
|
U-Net++ |
0.851 |
25.3 |
1.75 |
0.838 |
0.882 |
|
PSPNet |
0.837 |
29.5 |
1.79 |
0.834 |
0.857 |
|
TransUnet |
0.848 |
19.8 |
1.79 |
0.847 |
0.860 |
|
Swin-Unet |
0.753 |
32.4 |
3.36 |
0.707 |
0.851 |
表2 外部测试集上的分割性能对比
|
Model |
DSC |
HD (mm) |
ASSD (mm) |
Precision |
Recall |
|
U-Net |
0.719 |
58.4 |
6.26 |
0.778 |
0.718 |
|
DeepLabv3 |
0.716 |
39.9 |
3.90 |
0.782 |
0.719 |
|
U-Net++ |
0.740 |
42.5 |
4.21 |
0.825 |
0.725 |
|
PSPNet |
0.637 |
57.3 |
7.92 |
0.760 |
0.618 |
|
TransUnet |
0.719 |
29.8 |
3.34 |
0.805 |
0.685 |
|
Swin-Unet |
0.359 |
66.5 |
11.76 |
0.570 |
0.348 |
图1 不同模型的分割结果可视化
该研究的价值在于探索并验证了人工智能技术在EOC全自动分割方面的应用潜力。通过与团队前期提出的上皮性卵巢肿瘤诊断分类方法（Journal of Magnetic Resonance Imaging, 2020,52:897–904）以及EOC诊断分类方法（European Radiology, 2021, 31(1): 403-410）进行整合，有望实现端到端的全自动EOC诊断流程，提升临床医生工作效率。
该研究受国家自然科学基金委员会等机构资助，相关成果发表于放射学领域期刊Quantitative Imaging in Medicine and Surgery（IF = 4.630），博士生胡定都为第一作者。
论文链接：https://doi.org/10.21037/qims-22-494
附件下载：
