基于多模态超声放射组学与深度学习构建O-RADS 4-5附件肿块良恶性鉴别诊断模型

为解决O-RADS 4-5附件肿块良恶性鉴别难题，中国医科大学附属盛京医院团队首次整合CEUS（超声造影）放射组学特征、深度学习（DL）与临床变量，构建多模态超声联合模型（AUC=0.929）。该研究突破传统超声依赖医师经验的局限，为高风险附件肿块精准诊疗提供AI驱动新范式。

　　

论文解读

背景与问题
附件肿块是女性常见疾病，其中卵巢癌（OC）作为最常见的恶性类型，早期鉴别直接决定患者需接受保守治疗还是根治性手术。尽管经阴道超声（TVUS）是首选筛查工具，但O-RADS（卵巢-附件报告和数据系统）4-5类肿块恶性风险高达34.46%-89.57%，传统超声诊断仍高度依赖医师主观判断，存在显著差异。更棘手的是，超声造影（CEUS）虽能清晰显示肿瘤微血管灌注，但其与放射组学（Radiomics）、深度学习（DL）的联合应用此前尚未探索。

研究设计与方法
中国医科大学附属盛京医院团队回顾性纳入340例O-RADS 4-5类肿块患者（2020-2024年），按7:3分为训练集与测试集。研究通过三大技术突破构建模型：

1. 多模态影像处理：同步分析二维超声（2DUS）和5个CEUS时序图像（峰值前后各2帧），提取846个放射组学特征（如GLCM纹理特征）和768维DL特征（基于Swin Transformer预训练网络）；
2. 特征融合策略：采用LASSO（最小绝对收缩选择算子）筛选临床变量（如CA125、HE4¹）与影像特征，构建放射组学模型（Rad_CEUS）、DL模型（DL_2D_CEUS）及联合模型；
3. 效能验证：通过AUC、校准曲线等指标评估模型，并开发可视化列线图（Nomogram）辅助临床决策。

研究结果

1. 临床基线特征
恶性组年龄更大（中位数52 vs 45岁，p=0.023），血清标志物CA125≥35 U/mL（56% vs 13.6%）和HE4≥140 pmol/L（26.4% vs 1.4%）显著升高（均p<0.001），CEUS参数MeanLin2（病灶与肌层信号比）差异最显著（50.8 vs 21.9，p<0.001）。

2. 模型性能对比

• 单模态模型：CEUS放射组学模型（AUC=0.826）优于2DUS模型（0.737）；DL_2D_CEUS模型训练集AUC达1.000，测试集0.828。
• 融合模型：联合临床、放射组学与DL特征的集成模型（Clinic_Rad_DL）表现最优，测试集AUC 0.929，敏感度89.9%，特异度83.3%。
• 临床实用性：决策曲线分析（DCA）显示，当恶性概率阈值在0-83%时，模型净获益率达36%。

结论与意义
该研究首次证实CEUS放射组学联合DL可显著提升O-RADS 4-5类肿块的鉴别精度，其集成模型较单一模态诊断效能提高25.9%（p<0.05）。列线图工具将复杂AI预测转化为直观评分，有望减少不必要手术。局限性包括单中心样本和手动分割偏差，未来需开发自动分割算法并开展多中心验证。

术语说明
¹HE4：人附睾蛋白4；GLCM：灰度共生矩阵；LASSO：最小绝对收缩选择算子