基于经阴道超声影像的深度学习与影像组学整合分析在卵巢肿瘤分类诊断中的应用：一项多中心大样本比较研究

为解决如何准确区分卵巢肿瘤良恶性的问题，研究人员开展多中心回顾性研究，构建卷积神经网络（CNN）、最优影像组学及二者结合模型。结果显示结合模型 AUC 更高，能更准确可靠地诊断卵巢肿瘤，为临床提供更精准工具。

　　目的：本研究旨在大规模研究中评估基于经阴道超声（US）的影像组学与深度学习模型相结合，对卵巢肿瘤良恶性进行准确区分的有效性。材料和方法：一项多中心回顾性研究收集了卵巢肿瘤的灰度和彩色超声图像。患者被分为训练组、内部验证组和外部验证组。构建包括卷积神经网络（CNN）、最优影像组学模型以及二者结合的模型，并使用受试者工作特征曲线下面积（AUC）、敏感性和特异性来评估预测性能。采用 DeLong 检验将模型的 AUC 与卵巢影像报告和数据系统（O-RADS）及专家评估进行比较。结果：分析了来自 2078 名患者的 3193 张图像。CNN 模型在内部验证组和外部验证组的 AUC 分别达到 0.970 和 0.959。最优影像组学模型在内部验证组和外部验证组的 AUC 分别为 0.949 和 0.954。CNN 与影像组学结合的模型在内部验证组和外部验证组的 AUC 分别高达 0.977 和 0.972，优于单个模型、O-RADS 以及专家评估方法（p<0.05）。结论：基于经阴道超声图像的 CNN 与影像组学结合模型能够提供更准确可靠的卵巢肿瘤诊断，增强了对恶性肿瘤的预测能力，为临床医生提供了更精确的诊断工具。