《Frontiers in Artificial Intelligence》：Segmentation of ovarian cancer tumors from CT images based on a two-stage neural network fusion system
编辑推荐：
摘要专业翻译
利用计算机断层扫描（Computed Tomography, CT）图像进行卵巢癌检测正取得快速进展。通过将不同神经网络的优势整合于一个复杂的集成框架中，可以构建更有效的模型以支持卵巢癌病例的医学决策。研究在TCGA-OV（The Cancer
摘要专业翻译
利用计算机断层扫描（Computed Tomography, CT）图像进行卵巢癌检测正取得快速进展。通过将不同神经网络的优势整合于一个复杂的集成框架中，可以构建更有效的模型以支持卵巢癌病例的医学决策。研究在TCGA-OV（The Cancer Genome Atlas – ovarian cancer collection）数据库上测试了多种神经网络及集成模型。肿瘤区域采用计算机辅助标注掩膜进行分割，分子亚型标签则基于TCGA基因组分类在患者层面进行赋值，并映射至对应肿瘤区域。本研究的主要创新在于提出了一种两阶段融合系统：第一阶段将多个神经网络组合为四个集成模型以捕获多样化特征，第二阶段将这些结果整合为一个全局系统以提升分割精度。在既定实验条件下，所选模型展现了较强的分割性能，并被进一步集成至所提出的两阶段融合框架中。第一阶段的神经网络包括Attention U-Net、DeepLabV3+和Vision Transformer（ViT）。结果表明，在当前的TCGA-OV实验设置下，所提出的两阶段融合系统在分割性能上优于所评估的单个神经网络及第一阶段集成配置。在评估的五个类别中，全局系统（Global System, GS）实现了平均F1分数93.53%、召回率93.38%和精确率93.68%，从而在研究所涉数据集上验证了所提出的两阶段融合方法用于卵巢肿瘤分割的技术可行性。
论文解读文章
一、研究背景与问题
卵巢癌（Ovarian Cancer, OC）根据GloboCan全球癌症观测站的流行病学数据，是女性中第八大常见癌症，在普通人群中位列第十八位。世界卫生组织数据显示，卵巢癌约占女性癌症死亡总数的4.7%，是致死率最高的妇科恶性肿瘤。上皮性卵巢癌是最常见的卵巢癌类型，占卵巢恶性肿瘤的95%。即使在癌症治疗取得进展的背景下，患者的长期生存率仍然较低。卵巢癌的致病风险因素众多，包括年龄、特定遗传基因型特征、家族史、肥胖、更年期激素治疗、子宫内膜异位症等。
卵巢癌很少在早期阶段被识别。组织病理学分析是检测卵巢癌分期最精确、最准确的方法。由于缺乏明显症状，患者通常在晚期才就诊，此时已无法进行手术治疗，转移性患者的治疗也几乎无效或难以实施。全球每年约有15万名女性因此死亡。2022年全球有324,603名女性被诊断出卵巢癌，世界卵巢癌联盟基于GloboCan数据的预测显示，到2040年将有400万人因此丧生，到2050年将新增约1200万例病例。因此，卵巢癌已被专业组织宣布为全球健康优先事项。
传统的影像诊断和分期方法依赖人工影像分析，存在主观性和人为错误风险，成本高昂，且无法大规模应用于筛查流程。基于CT扫描结合人工智能（Artificial Intelligence, AI）技术进行卵巢癌检测与分类正受到越来越多的关注。深度学习算法的发展为自动化图像分析提供了新机遇，包括早期和准确的卵巢癌检测。虽然AI不能取代医学决策，但可以创建具有经济和社会层面影响力的模型。研究表明，医院实施人工智能的五年投资回报率可达451%。
二、研究目的与开展内容
针对传统人工影像分析方法在卵巢癌诊断中的局限性，以及单一神经网络模型在肿瘤分割任务中的性能瓶颈，研究人员提出了一种基于两阶段神经网络融合系统的卵巢肿瘤CT图像分割方法。研究旨在通过集成多个互补的神经网络架构，构建更稳健、更精确的肿瘤分割系统，以提高卵巢癌诊断的准确性和效率。
研究在TCGA-OV公共数据库上开展了系统性实验。该数据库通过医学影像档案库TCIA（The Cancer Imaging Archive）获取，包含143名患者和26,570张CT图像。研究将肿瘤分割与患者层面分子亚型标签映射相结合，构建了五类分割目标表示：No Tumor（无肿瘤）、Differentiated（分化型）、Proliferative（增殖型）、Mesenchymal（间充质型）和Immunoreactive（免疫反应型）。需要强调的是，这四个分子亚型标签并非基于CT图像的逐体素预测，而是来源于患者层面的TCGA分子分类，随后映射至对应的肿瘤掩膜区域。因此，该任务将解剖学肿瘤分割与患者层面亚型衍生标签相结合进行多类别分析。
三、关键技术方法
研究人员测试了九种神经网络架构，包括U-Net、Attention U-Net、SegNet、ResNet50、VGG16、GoogLeNet、DenseNet-121、Vision Transformer（ViT）和DeepLabV3+。所有架构均在同一语义分割框架下实现，使用Adam优化器（初始学习率1×10??，批大小8），采用Dice与分类交叉熵的组合损失函数。CT图像强度裁剪至?150 HU至+250 HU范围并线性归一化至[0,1]，所有轴向切片调整至256×256像素。数据增强仅应用于训练集。数据集按患者层面进行划分，70%训练、20%验证、10%测试，确保同一患者的所有切片归属于同一子集。模型选择与集成权重估计仅在验证集上进行，测试集保持独立。训练在Google Colab云环境的GPU加速运行时中完成。
四、研究结果
4.1 个体神经网络性能比较与选择
研究人员对九种神经网络在五个类别上的分割性能进行了系统比较，评估指标包括F1分数、召回率和精确率。通过建立排名评分系统，综合F1分数、召回率和精确率的排名位置计算每个网络的综合得分。根据实验结果，Attention U-Net、DeepLabV3+和ViT被选为性能最优的三个网络，作为两阶段融合系统的组成部分。研究还发现，分类导向的CNN架构（如VGG16、ResNet50等）在适配为分割任务后，其性能不及专门设计的分割架构。
4.2 第一级融合集成模型
在第一级融合中，研究人员构建了四种集成配置：E1（基于二值决策的投票机制）、E2（基于F1分数加权）、E3（基于召回率加权）和E4（基于精确率加权）。每种集成均结合三个选定网络的输出，通过加权评分机制生成像素级分类决策。实验结果表明，基于加权评分的集成配置（E2、E3、E4）在整体性能上优于简单的投票机制（E1），说明利用网络在各类别上的具体性能指标作为权重可以有效提升融合效果。
4.3 第二级全局系统融合
在第二级融合中，研究人员将四个第一级集成模型的输出进一步整合为全局系统（Global System, GS），权重基于各集成模型在验证集上的F1分数确定。全局系统通过最大化综合评分进行像素分类。实验结果显示，全局系统在五个评估类别上实现了平均F1分数93.53%、召回率93.38%和精确率93.68%，均优于所有个体神经网络和第一级集成配置。这一结果表明，两阶段融合策略能够有效补偿单一模型的不足，实现更稳健和精确的肿瘤分割。
4.4 统计分析
研究人员进行了患者层面的统计分析，以考虑同一患者多个CT切片之间的非独立性。采用10,000次非参数自助法（bootstrap）重采样估计95%置信区间，以患者而非切片或像素为重采样单位。配对比较采用双侧Wilcoxon符号秩检验，p < 0.05视为统计学显著。分析结果进一步支持了两阶段融合系统相对于个体模型和第一级集成的性能优势具有统计学意义。
五、讨论与结论
讨论部分指出，两阶段融合系统之所以能够取得优于个体模型和单级集成的性能，关键在于不同神经网络架构具有互补性。Attention U-Net通过注意力机制聚焦肿瘤边缘和异常结构，DeepLabV3+通过空洞卷积捕获多尺度上下文信息，ViT则通过自注意力机制学习图像中的全局关系。三种架构的融合能够综合局部细节特征、多尺度上下文信息和全局语义关系，从而提升分割精度。
研究同时指出，所提出的五类公式不应被解释为从CT图像直接进行体素级分子亚型预测。肿瘤空间掩膜代表解剖学肿瘤区域，而Differentiated、Proliferative、Mesenchymal和Immunoreactive标签来源于患者层面的TCGA分子分类，随后映射至对应肿瘤掩膜。因此，研究评估的是模型在肿瘤区域内复现这些映射标签的准确程度，而非声称CT图像能够在体素水平独立解析转录组异质性。
结论部分强调，研究提出的两阶段融合系统在TCGA-OV数据集上展现了较高的分割性能，验证了该方法用于卵巢肿瘤分割的技术可行性。该系统的创新性在于两阶段决策融合框架：第一阶段通过多个集成捕获多样化特征，第二阶段整合这些结果形成全局决策。研究为卵巢癌的自动化检测和分割提供了新的技术路径，有望辅助临床医学决策，提高诊断效率和准确性。未来研究可进一步扩大数据集规模，探索更多网络架构组合，并在多中心临床环境中验证系统的泛化能力。
