开发与多中心验证一种用于O-RADS 4附件肿块风险分层的放射组学-深度学习混合模型

《Academic Radiology》：Development and Multicenter Validation of a Hybrid Radiomics-Deep Learning Model for Risk Stratification of O-RADS 4 Adnexal Masses

　　

背景与目的

开发并验证一种人工智能驱动的混合模型，整合超声影像组学、深度学习（DL）特征和临床预测因子，用于鉴别卵巢-附件影像报告和数据系统（O-RADS）4类附件肿块的良性与交界性/恶性，并评估其作为放射科医师决策支持工具的价值。

材料与方法

这项多中心研究回顾性纳入来自四个中心的653例患者（A中心521例[训练集，n=405；内部验证集，n=116]；B–D中心132例[外部验证集]），并前瞻性纳入来自A中心的126例患者。病理结果作为金标准。提取影像组学特征，使用机器学习分类器生成Rad评分。基于卷积神经网络的迁移学习DL模型产生DL评分。构建整合Rad评分、DL评分和临床预测因子的混合模型。采用受试者工作特征曲线下面积（AUC）评估模型的诊断性能。在前瞻性验证集中，六位放射科医师在有和无混合模型辅助的情况下解读病例。采用McNemar's χ2检验评估诊断差异，采用Cohen's kappa评估阅片者间一致性。

结果

混合模型表现出良好的性能，在前瞻性验证集和外部验证集中的AUC分别为0.88（95%置信区间[CI]：0.82–0.93）和0.86（95% CI：0.78–0.92）。模型辅助显著提高了所有阅片者的准确度和特异度（p < 0.05），阅片者间一致性从kappa 0.49提升至0.73。该模型将病灶分层为低风险（4a）和高风险（4b）亚组，在所有数据集中恶性率保持显著差异（4a：4.5%–16.1%；4b：75.4%–97.1%）。

结论

混合模型对O-RADS 4类附件肿块的风险分层表现出良好的性能，并提高了不同经验水平放射科医师的诊断表现。

章节片段

引言

卵巢癌（OC）在全球女性最常见的恶性肿瘤中排名第八，早期5年总生存率超过90%，而晚期降至47%至52%（1）。交界性卵巢肿瘤（BOT）占上皮性卵巢肿瘤的10%至20%，预后极佳，5年生存率超过95%（2）。然而，诊断延迟可能导致晚期进展伴腹膜种植、复发风险升高、生存率降低

研究人群

本研究经我院机构审查委员会批准（批准号：[2025] 884），并按照《赫尔辛基宣言》进行。对于回顾性分析，因使用去标识化数据而豁免知情同意。对于前瞻性分析，所有参与者均签署书面知情同意书。我们回顾性纳入来自四个医疗中心（A–D中心）的患者。所有数据均已匿名化和去标识化。该

基线特征

研究流程总结见图1。共从四个中心收集了779例患者的779个O-RADS 4类病灶。研究人群流程图见图2。训练集和内部验证集包括521例患者（良性279例，交界性163例，恶性79例），外部验证集包括132例患者（良性79例，交界性34例，恶性19例）。此外，前瞻性验证集招募了126例参与者，其中良性61例，交界性41例

讨论

O-RADS 4类病灶在临床实践中构成诊断难题，涵盖中间恶性风险的异质性谱系。这些病灶在良性、交界性和恶性肿瘤之间的超声影像特征存在显著重叠（13），导致高假阳性率（8, 28）和相当大的阅片者间变异性（12, 14），以及随后对良性病灶的过度治疗。在这项多中心前瞻性研究中，我们开发并验证了一种整合超声影像组学的混合AI模型

结论

总之，这种整合影像组学、DL和临床因素的混合模型为O-RADS 4类附件肿块提供了准确的恶性肿瘤诊断和风险分层。它提高了诊断性能，减少了假阳性诊断，并增强了我们研究队列中放射科医师之间的阅片者间一致性。将O-RADS 4类病灶分为4a和4b亚组为潜在的个体化临床管理奠定了基础。进一步的大规模、前瞻性、真实世界多中心

CRediT作者贡献声明

Yueting Sun: 写作–初稿，方法学，概念化。Hui Shen: 写作–初稿，可视化，验证，概念化。Yujun Gu: 验证，资源，调查研究。Rongrong Sun: 验证，调查研究，数据管理。Yujuan Dai: 资源，调查研究。Qiao Zheng: 调查研究，正式分析，数据管理。Liu Du: 可视化，正式分析，数据管理。Miao He: 可视化，验证，数据管理。Lihe Zhang: 验证，调查研究，

基金资助

本研究获得以下基金资助：国家重点研发计划（2022YFF0606302）；国家自然科学基金（82171938、82202156）

利益冲突声明

作者声明无可能被视为影响本稿件内容的财务披露或组织领导职务。作者声明不存在已知的相互竞争经济利益或个人关系，可能影响本论文所报告的工作。

Yueting Sun|Hui Shen|Yujun Gu|Rongrong Sun|Yujuan Dai|Qiao Zheng|Liu Du|Miao He|Lihe Zhang|Yuting Jiang|Lihong Wu|Hongning Xie