基于超声影像组学联合O-RADS US和临床特征的卵巢癌诊断列线图模型构建与验证

本研究针对卵巢良恶性肿瘤术前鉴别诊断的临床难题，整合超声影像组学(Radiomics)、卵巢附件报告和数据系统超声(O-RADS US)及临床特征，开发出诊断效能显著提升的联合预测模型。福建医科大学附属肿瘤医院团队通过多中心回顾性研究（n=981），构建的O-RADS US+Radscore+Clinical列线图模型在训练组和验证组分别达到0.967和0.951的AUC值，较单一指标模型显著提高，为个体化诊疗决策提供量化工具。

　　

卵巢癌作为妇科恶性肿瘤中的"隐形杀手"，其早期诊断始终是临床面临的重大挑战。由于缺乏特异性症状和有效筛查手段，超过70%的患者确诊时已属晚期，五年生存率长期徘徊在30-50%的困境。超声检查虽是卵巢肿瘤评估的一线影像学方法，但传统判读高度依赖医师经验，面对复杂多变的肿瘤形态学特征，即使采用国际通用的O-RADS US（卵巢附件报告和数据系统超声）风险分层标准，诊断准确性仍存在提升空间。如何突破主观评估的局限性，建立客观量化的诊断体系，成为亟待解决的关键科学问题。

福建医科大学附属肿瘤医院超声科联合南平市第一医院的研究团队，在《Scientific Reports》发表了一项开创性研究。该研究创新性地将人工智能驱动的影像组学技术与临床常规参数有机融合，构建出首个整合O-RADS US分类、超声影像组学特征(Radscore)和临床危险因素的列线图预测模型。通过多中心大样本验证，该模型展现出接近完美的诊断效能，为卵巢肿瘤的精准术前评估提供了革命性的决策工具。

研究团队采用回顾性多中心设计，从两家三甲医院纳入981例经病理证实的卵巢肿瘤患者，按7:3比例分为训练集和验证集。关键技术路线包含：1) 由经验丰富的超声医师手动勾画肿瘤感兴趣区域(ROI)；2) 使用PyRadiomics平台提取794个定量影像特征；3) 通过LASSO回归筛选最具预测价值的特征构建Radscore；4) 结合年龄、CA125等临床变量建立多参数预测模型；5) 采用ROC曲线、校准曲线和决策曲线(DCA)全面评估模型性能。

临床特征分析显示，恶性组患者年龄更大、CA125水平更高，且双侧病变和腹水发生率显著增加。多因素逻辑回归证实年龄(OR=1.024)、CA125(OR=1.001)、O-RADS US分类(OR=11.15)和Radscore(OR=14.58)均为恶性肿瘤的独立预测因子。

影像组学特征筛选过程极具科学性，从794个初始特征中最终锁定7个关键指标，包括反映肿瘤异质性的ZoneEntropy、表征密度变化的Maximum等。这些特征通过严格的组内相关系数(ICC>0.90)验证，确保提取结果的可重复性。由此构建的Radscore公式展现出优异的鉴别能力，其数学表达式融合了纹理特征的多维度信息。

模型比较研究得出突破性结论：在训练集中，O-RADS US+Clinical模型的AUC为0.830，Radscore+Clinical模型提升至0.876，而三参数联合模型更达到0.967的卓越水平。验证集结果高度一致(0.951)，显著优于各单一参数模型(p<0.001)。特别值得注意的是，联合模型在保持92.8%高敏感性的同时，特异性达86.5%，阳性预测值提升至91.3%。

临床实用性评估通过校准曲线证实预测概率与实际观察值高度吻合。决策曲线分析(DCA)更直观显示，在广泛阈值概率范围内，联合模型的临床净收益始终高于其他方案，为临床决策提供量化依据。

这项研究的科学价值体现在三个维度：首先，首次证实超声影像组学可作为O-RADS US标准的有力补充，通过提取人眼无法识别的微观纹理特征，将诊断准确率提升约15个百分点；其次，建立的列线图工具将复杂算法转化为直观的评分系统，特别适合基层医院推广应用；最后，研究采用的"影像-临床"双驱动策略，为其他肿瘤的智能诊断提供了范式参考。

讨论部分深入剖析了技术局限性，包括回顾性设计的固有偏倚、单幅图像分析的信息损失等。作者前瞻性地指出，未来研究应探索三维全瘤分析、动态超声视频处理等新方向，并建议将模型嵌入超声设备操作系统，实现"扫描即诊断"的智能化工作流程。这项成果不仅为卵巢癌早期诊断开辟新途径，更标志着超声医学正式迈入人工智能辅助决策的新纪元。