卵巢癌是所有年龄段妇女癌症死亡的第五大原因，比任何其他妇科恶性肿瘤死亡的人数都多。与其他卵巢病变一样，卵巢癌在影像学图像上通常表现为肿块样病变，但部分卵巢肿瘤表现为非肿块形，良恶性病变在影像学表现上有所交叉，因此准确区分卵巢良恶性病变对于指导患者的进一步治疗至关重要。

磁共振成像(MRI)较高的软组织分辨率，现阶段已成为卵巢病变的重要检查方法。然而，仅通过常规MRI诊断卵巢良恶性病变具有挑战性，因部分良性病变和恶性病变在常规MR图像上可表现出相似的特征。据估计，近28%的卵巢切除术最终的病理为良性肿瘤。这是一个巨大的临床问题，其长期后果会导致生育力的下降和过早绝经，甚至影响机体健康和预期寿命。基于MRI的深度学习算法在良恶性病变的鉴别上具有较高的准确性和特异性，可以减少患者经受不必要的侵入性手术，并指导临床进一步的治疗。

近日，发表在European Radiology杂志的一项研究开发了一种深度学习算法，该算法通过在常规MR成像上应用卷积神经网络来鉴别卵巢良恶性病变，建立了一种术前评估卵巢病变的非侵入性的影像学方法。

将来自单机构的451位患者共455例病变(379例良性和166例恶性)分为训练集、验证集和测试集，比率为7：2：1。 将模型性能与测试集中的四名初级和三名高级放射科医生进行了比较。

与初级放射科医师的平均水平相比，结合MR成像和临床变量的最终组合模型具有更高的检测准确性(0.87 vs 0.64, p < 0.001)和特异性(0.92 vs 0.64, p < 0.001)，而敏感性相当(0.75 vs 0.63, p = 0.407)。与高级放射科医师的平均水平相比，最终的组合模型也具有更高的检测检测准确性(0.87 vs 0.74, p = 0.033)和特异性(0.92 vs 0.70, p < 0.001)，而敏感性相当(0.75 vs 0.83, p = 0.557)。在模型概率的辅助下，初级放射科医师得到了更高的平均检测准确性(0.77 vs 0.64，δ= 0.13,p < 0.001)和特异性(0.81 vs 0.64，δ= 0.17,p < 0.001)且敏感性相似(0.69 vs 0.63，δ= 0.06,p = 0.302)。在AI概率的辅助下，与高级放射科医师相比，初级放射科医师得到更高的特异性(0.81 vs 0.70，δ= 0.11,p = 0.005)，且准确性(0.77 vs 0.74，δ= 0.03,p = 0.409)和敏感性(0.69 vs 0.83，δ= -0.146,p = 0.097)相似。

a.右侧卵巢高级别浆液性癌，被深度学习模型和3名放射科医生均预测为非恶性。b. 左侧卵巢转移瘤，深度学习模型预测为恶性，而3位放射科医师预测为良性

本研究报告开发了一种基于常规MR成像和临床变量的深度学习算法来区分良性和恶性卵巢肿瘤。与放射科医师和放射组学相比，深度学习模型可以在较高的准确性和特异性能下对卵巢良恶性肿瘤进行无创分类。利用人工智能模型，初级放射科医生的诊断能力得到了与高级放射科医生相匹配的效果。这为人工智能在卵巢肿瘤分类中的临床应用提供了依据。

原始出处：

Robin Wang,Yeyu Cai,Iris K Lee,et al. Evaluation of a convolutional neural network for ovarian tumor differentiation based on magnetic resonance imaging.DOI:10.1007/s00330-020-07266-x