基于超声影像与深度学习融合模型提升卵巢肿瘤诊断准确性的多中心研究

《Insights into Imaging》：Ultrasound-based deep learning model as an assistant improves the diagnosis of ovarian tumors: a multicenter study

本研究针对卵巢肿瘤术前精准诊断难题，开发了基于超声影像的深度学习模型。通过整合视觉模型（ResNet-50）与语言模型（GPT-4o），构建辅助诊断框架。结果显示：模型对良性、恶性和交界性肿瘤的测试集准确率分别达91.8%、84.61%和82.60%；初级超声医生经DL辅助后诊断准确率提升至90.90%-95.95%（原76.60%-79.22%），Kappa一致性显著提高（0.412-0.762升至0.629-0.916）。该研究为基层医院提供了可靠的卵巢肿瘤AI辅助诊断工具，对提升早期检出率和手术决策质量具有重要意义。

　　

卵巢肿瘤作为女性生殖系统最常见的肿瘤类型，其临床管理高度依赖于术前精准分类。根据肿瘤生物学行为，卵巢肿瘤可分为良性、交界性（BOT）和恶性三类，其中交界性肿瘤因其介于良恶性之间的特殊性质，尤其需要准确识别以制定保留生育功能的手术方案。然而，目前临床常用的卵巢附件报告和数据系统（O-RADS）仅能提供风险分级，而国际卵巢肿瘤分析（IOTA）的ADNEX模型虽能分类但操作复杂，高度依赖医师经验。更关键的是，交界性卵巢肿瘤在超声影像中缺乏明确诊断标准，使得基层超声医师的诊断一致性难以保障。

为解决这一临床痛点，来自福建医科大学附属第二医院、深圳大学等多家机构的研究团队开展了一项多中心研究，创新性地将视觉深度学习模型与大型语言模型（LLMs）相结合，开发出能够辅助超声医生进行卵巢肿瘤分类的智能诊断系统。该研究成果已于2025年发表在放射学领域权威期刊《Insights into Imaging》上。

研究团队采用回顾性设计，从中国东南地区三家医院收集了916例经手术病理证实的卵巢肿瘤患者的超声影像数据，构建训练集（80%）和验证集（20%），并从西南和东北地区两家独立医院获取81例患者数据作为外部测试集。技术路线上，团队比较了三种骨干网络架构（ResNet-50、VGG-16和Vision Transformer）的性能，最终选定ResNet-50作为视觉模型基础。该模型通过五折交叉验证进行训练优化，并创新性地将模型预测概率输入GPT-4o生成影像描述文本，形成视觉-语言双模态辅助决策框架。

模型性能验证结果

ResNet-50模型在验证集中对良性、交界性和恶性肿瘤的分类准确率分别为89.47%、64.61%和76.92%，在外部测试集上表现更为优异，分别达到91.80%、84.61%和82.60%。显著优于ViT-b（66.56%）和VGG-16（71.15%）模型。与需要临床参数输入的ADNEX模型相比，纯影像分析的视觉模型在验证集和测试集的平均准确率从79.17%和61.22%提升至85.23%和87.76%，证实了深度学习模型在卵巢肿瘤影像特征提取方面的优势。

深度学习辅助诊断效果

研究最具临床价值的部分在于评估了DL系统对初级超声医生的辅助效果。五位具有3-5年经验的超声医生在未接受辅助前，对测试集的诊断准确率为76.60%-79.22%，Kappa一致性系数为0.412-0.762。在获得视觉模型分类结果和语言模型生成的影像描述后，医生诊断准确率显著提升至90.90%-95.95%，一致性系数提高至0.629-0.916。这一提升使初级医生的诊断水平接近具有10年经验的超声专家。

典型案例分析

研究通过具体病例展示了DL系统的临床价值。如图3所示，一例45岁女性的左卵巢肿瘤包含乳头状结构和实性成分，初级超声医生误判为良性，而DL模型正确识别为交界性，经病理证实为交界性黏液性囊腺瘤。另一例59岁女性患者，肿瘤内部大量实性成分被初级医生误判为良性，DL模型纠正为恶性，最终病理诊断为高级别浆液性卵巢癌。这些案例凸显了DL系统在纠正误判方面的重要作用。

研究意义与局限性

该研究的创新点在于首次将视觉DL模型与LLMs相结合，为卵巢肿瘤超声诊断提供了多模态智能辅助方案。多中心数据集和外部验证确保了模型的泛化能力，而针对交界性肿瘤的独立分类功能填补了现有临床指南的空白。研究局限性包括样本均来自亚洲人群、缺乏血流动力学信息、以及回顾性设计无法进行实时动态验证等。未来需要前瞻性多中心临床试验进一步验证该系统的临床实用价值。

综上所述，这项研究成功开发了一个基于超声影像的多中心深度学习辅助诊断系统，能够显著提升初级超声医生对卵巢肿瘤的诊断准确性，特别是对交界性肿瘤的识别能力。该技术有望在基层医院推广应用，提高卵巢肿瘤的早期诊断水平，为患者提供更精准的治疗决策支持。