《European Journal of Obstetrics & Gynecology and Reproductive Biology》：Development of an image-based deep learning algorithm to predict ovarian torsion
编辑推荐：
摘要背景本研究旨在评估开发一种基于深度学习的算法的可行性，该算法结合临床特征、超声发现和超声图像来诊断附件扭转。方法为了开发机器学习算法，获取了 2013 年至 2022 年间在单一医疗系统内因疑似附件扭转而接受手术管理的患者的回顾性数据。这些数据被分为训练、验证和测试队列。
摘要
背景
本研究旨在评估开发一种基于深度学习的算法的可行性，该算法结合临床特征、超声发现和超声图像来诊断附件扭转。
方法
为了开发机器学习算法，获取了 2013 年至 2022 年间在单一医疗系统内因疑似附件扭转而接受手术管理的患者的回顾性数据。这些数据被分为训练、验证和测试队列。开发了三种机器学习算法：（1）决策树模型，使用临床和超声发现；（2）简单神经网络算法，使用临床和超声发现；（3）图像神经网络算法，使用临床特征、超声发现和超声图像。主要结局是模型预测附件扭转的性能，通过受试者工作特征曲线下面积（AUC）测量。
结果
识别出 477 名可能候选患者。222 名患者符合纳入标准。其中，157 名患者有附件扭转，65 名患者没有附件扭转，基于手术发现。决策树模型的测试 AUC 为 0.5829。简单神经网络模型的测试 AUC 为 0.7572。图像神经网络模型的测试 AUC 为 0.8053。
结论
这项可行性研究表明，与决策树模型或简单神经网络模型相比，图像神经网络算法提高了附件扭转的检测能力。进一步发展和完善这种神经网络算法可以帮助关于附件扭转的临床决策。
引言
附件扭转是一种常见的妇科急症，发生于卵巢和/或输卵管在骨盆漏斗韧带和子宫卵巢韧带上方扭转时 [1]。如果不纠正，扭转可导致卵巢坏死、生育力下降和痴呆风险增加 [2], [3]。根据当前指南，临床表现和超声成像指导对扭转的怀疑 [1]。虽然超声是附件扭转检查的关键部分，但已被证明对附件扭转既不是敏感也不是特异性的检查 [4]。最终附件扭转在手术时确认，只有大约 50% 进行诊断性腹腔镜手术的患者确认真实附件扭转 [1]。
人工智能 (AI) 对临床和放射学信息的解释可以帮助妇科医生确定适当的管理。Otjen et al. 开发了一种算法，利用超声特征的监督学习帮助放射学家诊断儿科扭转。他们开发了一棵决策树，灵敏度为 95%，特异度为 92% [5]。此外，Boztas et al 最近基于机器学习的算法结合超声发现、实验室值和临床状况，在儿科人群中实现了 98% 的准确率和 100% 的特异度 [6]。然而，扭转是一种影响所有年龄女性的诊断，妇科医生经常被咨询非儿科患者。Atia et al 旨在建立评分系统来预测扭转，实现了 64% 的灵敏度和 73% 的特异度 [7]。Yagur et al 使用自然语言处理机器学习算法，能够实现 95% 的扭转预测灵敏度和 45% 的特异度 [8]。Kim et al 开发了一种基于计算机断层扫描 (CT) 图像的神经网络模型来识别附件扭转，最佳性能为 79.25% AUC、73.4% 准确率和 73.77% 特异度 [9]。然而，据我们所知，以前的研究没有在其评估卵巢扭转的机器学习算法中使用超声图像。
本研究目的是评估开发一种基于深度学习的算法的可行性，该算法结合临床特征和超声发现，类似于以前的模型，以及超声图像，用于诊断附件扭转。
章节摘要
数据获取和患者选择
本研究在任何研究活动之前已获得机构审查委员会批准。本研究在学术医疗系统内的多家医院进行。纳入标准包括 2013 年 1 月至 2022 年 2 月期间因附件扭转进行评估、有术前盆腔超声图像并被送入手术室进行确诊的患者。2013 年之前没有可用的电子健康记录，因此无法获得以前的患者
队列人口统计学特征
总共识别出 477 名患者作为本研究的可能候选者。其中，255 名患者根据上述标准被排除。在 222 名纳入研究的患者中，157 名患者确认有附件扭转，65 名患者在手术中未发现附件扭转（图 1）。两个队列的人口统计学特征相似。扭转存在和不存在队列的平均年龄分别为 29.5 和 32.7。每个队列的患者具有相似的种族构成，其中
讨论
鉴于腹痛的鉴别诊断很广，附件扭转是一个难以做出的诊断。这项可行性研究表明，与仅使用临床和超声发现的模型相比，结合超声图像的机器学习算法可以提高诊断准确性。具体而言，图像神经网络机器学习算法的 AUC 为 0.8053，而决策树和简单神经网络的 AUC 分别为 0.5829 和 0.7572。
我们
结论
总之，这项可行性研究表明，与决策树或不包含超声图像的机器学习算法相比，基于超声图像的神经网络机器学习算法可以提高我们诊断附件扭转的能力。扩展和完善这种神经网络机器学习算法可以帮助分流哪些患者需要紧急手术干预，哪些患者不需要，既为患有真实
数据可用性
支持本文发现的数据由于隐私问题未公开提供。
CRediT 作者贡献声明
Stephanie L. Lim: 写作 - 原稿，验证，方法学，调查，形式分析，数据整理，概念化。 Haoyu Dong: 写作 - 审查和编辑，可视化，验证，软件，方法学，调查，形式分析，数据整理，概念化。 Alice J. Darling: 写作 - 审查和编辑，写作 - 原稿，可视化，验证，方法学，调查，数据整理，概念化。 Julia Moyett: 验证，方法学，
竞争利益声明
作者声明，他们没有已知的竞争性财务利益或个人关系，这可能影响本论文中报告的工作。
Stephanie L. Lim|Haoyu Dong|Alice J. Darling|Julia Moyett|Anthony Swartz|Maciej A. Mazurowski|Arleen Song
美国北卡罗来纳州达勒姆杜克大学产科与妇科系微创妇科外科部
