AI优化3D卷积神经网络在PET/CT影像分析中提升卵巢癌检测效能的研究

来自国际团队的研究人员通过对比六种传统卷积神经网络(CNN)架构与新型OCDA-Net模型，在[18F]FDG PET影像分析中实现了卵巢癌诊断准确率92%、分期准确率94%的突破。该研究通过Grad-CAM++热图验证模型对高代谢病灶的识别能力，为临床决策提供可解释性AI工具，有望改善患者预后。

　　

这项开创性研究探索了深度学习技术在卵巢癌诊疗中的革命性应用。科研团队精心设计了一项横向对比实验，将ResNet、DenseNet等六种经典卷积神经网络(CNN)架构与新型OCDA-Net模型进行系统比较。这个基于ResNet架构优化的OCDA-Net，专门针对氟代脱氧葡萄糖([¹⁸F]FDG)PET影像分析进行了深度改造。

研究采用严谨的数据划分策略，将影像数据集随机分为训练集(80%)、验证集(10%)和测试集(10%)。经过100个训练周期的锤炼，OCDA-Net展现出惊人的性能：诊断分类准确率高达92%，癌症分期准确率更达到94%。这些亮眼数据背后是扎实的精度(precision)、召回率(recall)和F值(F-measure)等指标的有力支撑。

研究团队还运用梯度加权类激活映射(Grad-CAM++)技术生成热力图，直观展示神经网络如何精准锁定高代谢病灶区域。这种可视化方法不仅验证了模型的有效性，更增强了临床应用的可靠性。实验数据充分证明，OCDA-Net在卵巢癌诊断和分期任务上全面超越传统CNN模型。

这项研究的临床意义深远，其提出的AI解决方案有望显著提升卵巢癌的早期检出率和分期准确性。研究者建议，未来工作应聚焦于三大方向：扩大数据集规模、增强模型可解释性、推进临床场景验证。这些突破性进展或将重新定义妇科肿瘤的诊疗范式，为改善患者预后带来新希望。