《Critical Reviews in Oncology/Hematology》：AI Innovations for Ovarian and Endometrial Cancer Diagnosis: Methodological Challenges and Engineering Roadmap
编辑推荐：
卵巢癌和子宫内膜癌因晚期表现、影像特征差异及筛查限制导致早期诊断困难，现有AI模型多依赖单中心回顾性数据且缺乏外部验证。研究提出焦点损失增强、可解释性优化及模型压缩（量化/剪枝后体积减少4-10倍且精度损失<3%）等解决方案，强调联邦学习实现多中心数据协作、边缘AI部署（亚秒级超声分诊）及硬件优化对临床转化的重要性。未来需加强前瞻性验证和跨学科工程整合。
J Angeline|J Bethanney Janney|N Arvind
生物医学工程系研究学者，生物与化学工程学院
摘要
卵巢癌和子宫内膜癌的晚期表现、多样的影像特征以及筛查限制，阻碍了早期诊断。相关研究的准确率在85%到96%之间，AUC值达到0.99；然而，大多数研究依赖于缺乏外部验证的单一中心回顾性数据集。类别不平衡、解释性不足、计算需求高以及临床整合问题是一些最重要的工程挑战。我们强调了诸如焦点损失增强、显著性图稳定化和模型压缩（量化/剪枝，使得模型大小减少4-10倍同时准确率损失不到3%）等解决方案。针对多站点数据的联邦学习、边缘AI部署（亚秒级超声分诊）以及硬件优化都是未来研究的重要方向。为了使AI改变妇科肿瘤的诊断方式，需要对其进行严格的前瞻性验证和跨学科工程研究。
引言
癌症仍然是全球主要的死亡原因之一，每年导致约1000万人死亡。肺癌、乳腺癌、结直肠癌、前列腺癌和胃癌是最常见的癌症类型。肿瘤进展通常分为I期（局部）到IV期（转移性），早期发现显著改善了预后（Ferdinand等人，2022年）。晚期诊断是癌症死亡的主要原因之一，但早期发现和适当的治疗可以显著提高生存率（Sagar等人，2023年）。卵巢癌和子宫内膜癌显示出特别令人担忧的流行病学趋势，子宫内膜癌已成为女性生殖道中最常见的恶性肿瘤，而卵巢癌尽管仅占女性癌症总数的小部分，却仍然是最致命的妇科肿瘤。随着肥胖率和人口老龄化，子宫内膜癌的发病率正在上升，尤其是在城市地区。然而，目前没有普遍实施的人群筛查计划，诊断主要依赖于对症状引起的异常子宫出血的评估。卵巢癌通常在晚期才被发现，因为早期阶段没有任何症状或症状与更年期相似。这些流行病学趋势，加上缺乏有效的筛查策略和由此导致的诊断延迟，突显了创新的人工智能方法在卵巢癌和子宫内膜癌风险分层和早期诊断方面的迫切需求。
为了减少恶性细胞的影响，全球科学家正在探索创新方法。早期发现和准确治疗对于对抗癌症至关重要（Samer等人，2023年）。尽管由于筛查计划和其他诊断技术的进步，许多癌症类型的生存率有所提高，但在患者选择、风险评估等方面仍存在问题。由于肥胖率（BMI > 30）和预期寿命延长等因素，子宫内膜癌（EC）已成为影响女性的第四大常见癌症，并且在城市环境中越来越普遍。每年全球约有32万新病例被诊断出来，使其成为影响女性生殖器官的最常见癌症（Yun等人，2021年）。在全球范围内，卵巢癌（OC）是女性中第八大常见癌症。无效的筛查技术和类似更年期症状的模糊症状使得识别和诊断更加困难（Antonios等人，2023年；Christiansen等人，2020年）。到诊断时，疾病通常已经扩散到腹部，并涉及卵巢、输卵管和腹膜的原发性恶性肿瘤。卵巢癌尤其致命，因为其通常在晚期才被诊断出来；每年约有31.4万新病例被诊断出来，导致全球约20.7万人死亡（Yue等人，2022年）。
早期研究显示，人工智能（AI）在癌症研究中取得了巨大进展。利用各种影像和分子技术进行精确的早期识别和诊断对于改善癌症结果至关重要（Benjamin等人，2022年；He-Li等人，2022年）。AI在各个领域的应用显示出更准确的癌症诊断和识别的潜力。在医疗保健领域，AI利用计算模型应对包括癌症在内的复杂生物学挑战，通过预测基因突变或蛋白质异常等异常现象。目前，AI和机器学习（ML）正在扩展癌症成像的工具箱，但这些工具的开发需要跨学科合作，以确保其在整合到医疗系统之前的正确使用和严格测试（Munetoshi等人，2021年；Hong等人，2023年）。数字化医学领域，如医学成像，特别适合快速采用AI和ML。整个成像过程都是以数字格式进行的，从图像采集和增强到分析、报告和结果共享，从而有效利用AI技术和ML算法进行数据处理。由于放射科医生的大部分工作涉及癌症成像，他们特别倾向于快速采用新技术（Kenbun等人，2021年）。
章节摘录
癌症成像中的人工智能算法和机器学习技术
在未来，疾病识别和治疗预计将受到AI算法和ML技术的极大影响（Silvana等人，2021年）。为了克服及时诊断人类疾病的困难，这些创新正在逐步融入日常生活中。它们利用大型数据集来支持能够在早期阶段识别疾病（尤其是癌症）的自主系统（Elena等人，2023年；Deependra等人，2023年）。创建智能工具
方法学评估框架
QUADAS-2是评估诊断准确性研究中的偏见风险和适用性的标准工具。它使用四个主要评估领域：患者选择、索引测试、参考标准以及研究的流程和时间安排（Penny等人，2011年）。每个领域都针对偏见进行评估，前三个领域还考虑了适用性问题。风险被分类为低、高或不清楚，这是基于具体问题的，从而允许对
妇科癌症的移动应用程序
本研究分析了专为卵巢癌和子宫内膜癌设计的移动应用程序的功能，并探讨了它们改善患者护理的潜力。移动健康应用程序提供了一个可访问的平台，用于症状跟踪、疾病教育、治疗计划和患者与医生之间的沟通。这些应用程序提供了多种功能，包括月经周期跟踪、疼痛和症状记录、药物提醒以及教育信息
可扩展的AI系统：联邦学习
联邦学习（FL）促进了跨机构的协作模型训练，同时保护了原始影像数据的隐私，从而缓解了卵巢癌和子宫内膜癌研究中的隐私问题和数据孤岛现象。2025年的一个名为FedCMC的FL模型利用了来自四个中心的902名子宫内膜癌患者的数据，其预测肌层浸润的AUC值在0.826到0.896之间。该模型通过展示结论
人工智能和机器学习在改善卵巢癌和子宫内膜癌的早期识别、诊断和预后评估方面显示出巨大潜力，尤其是在使用医学成像和多模态数据分析方面。尽管许多研究报告了积极的性能指标，但当前大多数模型都是基于小型、单一中心的回顾性数据集开发的，并且仅在内部进行了验证。这限制了它们的稳健性
专家观点
尽管在卵巢癌和子宫内膜癌的诊断方面人工智能应用取得了快速进展，但现有系统仍然主要是实验性的，尚未准备好广泛临床应用。虽然经常报告高诊断准确性，但这些发现往往来源于来自单一中心的小型、不平衡的数据集，并且外部验证有限，因此对其可靠性和适用性提出了质疑。此外，从工程角度来看
本综述的批判性观点和范围
本综述集中讨论了人工智能在卵巢癌和子宫内膜癌诊断中的应用，而不是全面概述AI在肿瘤学中的用途。重点关注基于成像的模型、病理框架和生物标志物整合，这些为初步检测、分期和有限的预后用途提供了明确的诊断指标。它不包括通用的人工智能入门知识、宫颈癌筛查或治疗预测
作者声明与本手稿的出版没有利益冲突。本工作未获得任何资助。
未引用的参考文献
(Md Manjurul等人，2022年；Miguel等人，2023年；Munetoshi和Hashimoto，2021年；Xinyu，2024年；Yanli等人，2024年；Yun Zheng等人，2021年)
CRediT作者贡献声明
所有作者都参与了研究的构思和设计。Angeline J负责概念化、设计和手稿准备。Arvind N负责文献搜索和数据分析。Bethanney Janney J负责监督、关键审查、最终编辑和批准。所有作者都阅读并批准了最终手稿。
Angeline J，生物医学工程硕士，AI与生物医学研究员。具有医学图像和信号处理、深度学习以及医疗应用开发的丰富专业知识。在临床和实验室导向的研究项目中经验丰富，有多篇同行评审的出版物和IEEE会议演讲。主要研究兴趣包括基于AI的疾病诊断和预后，如癌症、眼科疾病等
