基于超声图像与临床数据的多模态深度学习模型提升卵巢癌诊断效能

为解决卵巢癌(OC)诊断中单一影像模式的局限性，研究人员开发了整合2D灰度超声(US)图像与临床数据的多模态深度学习模型。该研究回顾性分析了2019-2024年间1899例附件肿块患者的术前US检查数据，模型在内外测试集中分别取得0.9393和0.9317的AUC值，显著提升放射科医生诊断一致性，并实现86.34%的US形态特征自动提取准确率，为结构化超声报告自动化提供了新范式。

　　

这项突破性研究构建了革命性的多模态深度学习架构，巧妙融合二维灰度超声(US)图像与常规临床数据，为卵巢癌(OC)诊断领域注入新动能。科研团队对2019至2024年间接受术前US检查的1899例附件肿块患者进行深度挖掘，开发的智能系统不仅能实现OC精准诊断，更能自动解析超声图像中的关键形态学特征。

性能验证阶段，该模型展现出令人瞩目的诊断效能：在内部测试集获得0.9393的曲线下面积(AUC^95%CI 0.9139–0.9648)，外部验证集稳定在0.9317(AUC^95%CI 0.9062–0.9573)，显著超越单一图像模型。更令人振奋的是，该系统将放射科医师的OC诊断AUC提升至新高度，同时大幅改善判读一致性。在超声特征自动化提取方面，模型分别交出86.34%(内部)和85.62%(外部)的优异成绩单。

这项研究标志着多模态深度学习技术在医学影像分析领域的重大突破，其创新的特征提取能力为结构化超声报告自动化提供了可靠解决方案，有望重塑卵巢癌临床诊断路径。