基于超声影像的人工智能在卵巢肿瘤中的应用进展 .pdf

基于超声影像的人工智能在卵巢肿瘤中的应用进展

【摘要】卵巢癌是妇科常见的性肿瘤之一，具有高发病率、高死亡率、低5年

生存率的特点，严重威胁女性生命健康。早期发现及诊断卵巢癌对患者治疗方案

制定及改善预后具有重要价值。经阴道超声是目前诊断卵巢肿物良性的一线影

像学检查方法，但依赖于临床经验且存在较大的观察者间差异。近年来，随着人工

智能技术的不断进步，基于超声图像构建的机器学习和深度学习模型，为卵巢肿

物良性诊断、分型及预后提供了更高的准确性,具备临床应用前景。笔者就人

工智能在卵巢肿物的良性诊断、分型及预后方面辅助超声技术的应用进行综述。

【关键词】人工智能;卵巢癌;影像医学

卵巢癌是女性生殖系统常见的性肿瘤之一，具有高发病率、高死亡率、低

5年生存率的特点［1-2］。据文献报道，大多数新诊断的卵巢癌病例处于III和IV期,

其生存率分别为27%和13%,而I期卵巢癌的存活率可超过90%：2-4］。因此，早期

诊断对于卵巢癌的治疗和预后至关重要：5］。目前，经阴道超声检查是卵巢肿瘤良

性诊断的首选影像学方法，具有无创、经济、无辐射等多项优点［6-7］o然而，

超声检查仍然依赖于临床经验,并存在一定的观察者间差异［8］o人工智能(arti

ficialintelligence,AI)技术的发展为减少超声评估主观依赖性提供了可行性

［9-10］。笔者将重点介绍基于超声影像的AI在卵巢肿瘤中的应用现状，以促进A

I在协助卵巢肿瘤诊断、分型和预后方面的应用。

一、AI简述

AI涵盖了多种算法与模型［10］o机器学习(machinelearning,ML)是AI的

一个关键分支，涉及到数据选择、特征提取以及算法的选择。机器学习根据不同

的学习策略可以分为两种主要类型:直接采用数学方法的机器学习和模拟人脑的

机器学习。

直接采用数学方法的机器学习中最常见的是统计机器学习。统计机器学习的

主要特点之一是需要手动选择合适的数学模型和调整超参数。常用的模型包括逻

辑回归模型(logisticregressionmodel,LR)支持向量机(supportvectorm

achines,SVM)最邻近分类算法(k-nearestneighboralgorithm,KNN)等。

在模拟人脑的机器学习中，应用最广泛的是神经网络学习。神经网络学习是

一种用于实现机器学习的技术,其目标是模拟人脑神经网络的运作方式。神经网

络学习常用的模型有人工神经网络(artificialneuralnetwork,ANN)等。随着

AI技术的发展,传统的ML模型已经不能满足研究者的需求，深度学习(deeplear

ning,DL)逐渐崭露头角。DL的概念源于ANN的研究，因能够自动提取图像特征、

得以克服传统ML不能够预处理和提取图像特征的不足而备受关注。其中，卷积神

经网络(convolutionalneuralnetwork,CNN)在超声图像处理中得到广泛应用

［11］。

二、基于超声图像的AI在卵巢肿瘤中的应用现状

1.AI在辅助卵巢肿瘤良性鉴别诊断中的应用

对卵巢肿物的良性进行准确诊断对于患者的治疗选择和预后至关重要。卵

巢来源的良性肿瘤通常采用保守治疗方法，而对于侵袭性的卵巢癌，医生则会根

据分期采取相应的根治手术和辅助化疗等措施［12］。有学者对超声在早期卵巢癌

诊断中的价值进行了研究,结果表明超声在早期卵巢癌诊断中具有重要作用，可

作为首选的检查方法［7］。近年来，研究者们尝试基于超声图像构建AI模型，以期

达到对卵巢肿瘤准确诊断、为临床医师制定治疗方案提供客观参考的目的。

(1)统计机器学习模型

Salehi等13开发了一个联合光声断层扫描(photoacoustictomography,PA

T)和超声的系统，利用从15例患者的25个切除卵巢中提取的PAT和超声角度束、

包络和图像中提取的特征构建了LR分类器和SVM分类器，以诊断卵巢肿瘤的良

性(LR和SVM的敏感度分别为704%和877%,特异度分别为956%和979%),这项研

究是在离体卵巢中进行的，因此并不适用于大多数临床情境。Al-Karawi等14回

顾性地使用242张卵巢超声图像中提取的空间域纹理特征，构建了有监督的SVM

模型,诊断的最佳敏感度和特异度分别为86.9%和86.6%