编辑推荐：
上皮性卵巢癌（EOC）患者铂耐药问题严峻，现有预测方法存在局限。研究人员开展基于超声图像的深度学习（DL）模型预测 EOC 患者铂耐药的研究。结果显示该模型预测效能良好，能辅助临床决策，为 EOC 治疗带来新方向。
在女性健康领域，卵巢癌是一个不容忽视的 “杀手”。卵巢癌中，上皮性卵巢癌（EOC）占比高达 90%，是最主要的类型。目前，EOC 的治疗主要依靠手术、铂类化疗以及聚 ADP - 核糖聚合酶（PARP）抑制剂维持治疗 。然而，大约 30% 的患者会出现铂耐药卵巢癌（PROC），其铂类无进展间期（PFI）小于 6 个月。这些铂耐药患者往往需要尝试抗体 - 药物偶联物、复制应激抑制剂、免疫疗法等新型治疗手段。但问题在于，铂耐药机制复杂且尚不明确，现有的一些基于活检或手术切除，利用生物标志物预测铂耐药的方法，不仅具有侵入性，成本还很高，这让很多患者望而却步。正因如此，寻找一种高效、无创的预测铂耐药的方法迫在眉睫。
哈尔滨医科大学附属第四医院的研究人员勇敢地迎接了这一挑战。他们开展了一项基于超声图像的深度学习（DL）模型预测 EOC 患者铂耐药的研究。最终，研究成果发表在《BioMedical Engineering OnLine》上。这项研究意义重大，有望为临床医生制定治疗方案提供有力的决策依据，帮助患者获得更精准、有效的治疗。
研究人员在此次研究中运用了多种关键技术方法。首先，收集了三个独立的患者队列，这些患者均来自哈尔滨医科大学附属第四医院和哈尔滨新区中心医院。然后，获取患者治疗前的盆腔超声图像，并进行手动标注。在模型构建方面，采用了基于 ConvNext 的深度学习模型，以预测患者的铂耐药情况。为了评估模型性能，使用了五折交叉验证、受试者工作特征曲线（ROC）分析、决策曲线分析（DCA）等多种方法。
下面来看具体的研究结果：
- 患者特征：研究共纳入 392 例 EOC 患者，最终训练集有 216 例，内部测试集 70 例，外部测试集 106 例。各数据集患者在年龄、BMI、CA125 等基本特征上无显著差异，这为后续研究的可靠性提供了保障。
- DL 模型预测铂耐药：训练的 ConvNext 模型在训练集的五折交叉验证中，受试者工作特征曲线下面积（AUC）达 0.87±0.01，高于其他神经网络，表明其泛化性能良好。在内部和外部测试集中，AUC 分别为 0.86（95% CI：0.83 - 0.90）和 0.86（95% CI：0.84 - 0.89） ，校准曲线显示模型预测准确，决策曲线表明在多数风险阈值下能提供较高净收益。亚组分析和噪声数据集测试证明模型稳健。
- DL 模型预测无进展生存期（PFS）：通过 Kaplan - Meier 分析发现，根据模型决策函数值划分的高低风险组，高风险患者 PFS 更低。在训练集、内部测试集和外部测试集中，高风险组患者 PFS 的风险比（HR）分别为 2.4（95% CI：2.1 - 2.7）、3.1（95% CI：2.3 - 4.1）和 2.9（95% CI：2.3 - 3.9） 。模型预测 1 年 PFS 的 AUC 较好，但预测 2 年 PFS 时 AUC 有所下降。亚组分析显示模型在多数临床亚组中表现良好，且热灌注化疗（HIPEC）可改善 PFS。多变量 Cox 回归调整后，模型预测风险的 HR 较高，说明其独立于潜在混杂因素。通过 Grad - CAM 分析发现，高响应区域与血管位置相关，经计算 Dice 分数验证了二者的一致性。
研究结论与讨论部分进一步强调了此次研究的重要意义。基于超声图像的 DL 模型在预测 EOC 患者铂耐药和 1 年 PFS 方面表现出色，无需手动提取特征，能更精准地评估患者情况。与传统卷积神经网络（CNN）和视觉 Transformer（ViT）相比，基于 ConvNext 的神经网络模型在医学图像分析中展现出潜在优势。不过，研究也存在一些局限性，如样本量不够大、研究具有回顾性、缺乏遗传层面数据等。但总体而言，这项研究为 EOC 的诊疗开辟了新的道路，为未来进一步深入研究指明了方向，有望推动卵巢癌精准治疗的发展。
