Intelligent Oncology大型综述 | 中科院自动化所田捷团队：多组学跨模态整合技术在智能肿瘤学中的应用

04月02日

来源：智能肿瘤学

近期，瑞典卡罗琳斯卡医学院Elisabeth Epstein教授团队在Nature Medicine上发表了一项突破性研究，介绍了基于变换器的AI驱动超声图像分析模型，这一模型在国际多中心验证中显示出了在卵巢癌检测中的卓越性能。该研究通过大规模的超声图像数据集，证明了AI模型在诊断准确性上超越了人类专家，具有强大的泛化能力，并能在不同患者群体中保持高准确度。这项研究不仅缓解了专业超声检查医师短缺的问题，还为改善患者预后和优化临床工作流程提供了新的可能性，标志着AI在妇科肿瘤诊断领域的重要进展。

研究背景及目的

卵巢癌是女性中致死率较高的癌症之一，其早期诊断对于提高患者生存率至关重要。然而，专业的超声检查医师短缺，导致了不必要的干预和癌症诊断的延误。深度学习为超声图像检测卵巢癌方面提供了可能，但缺乏外部验证。本研究旨在通过国际多中心回顾性研究，开发并验证基于变换器（transformer）的神经网络模型，以提高卵巢癌的检测准确性。

研究内容及方法

通过国际多中心回顾性研究，开发并验证了基于变换器的神经网络模型，利用来自全球8个国家20个中心的17,119张超声图像，对卵巢癌进行了检测，并通过与专家及非专家检查者的性能比较，证明了AI模型在诊断卵巢癌方面的高准确性和泛化能力，同时模拟了AI在临床工作流程中的应用，展示了其在减少专家转诊和提高诊断效率方面的潜力。

数据集与模型：

研究者从全球8个国家的20个中心收集了17,119张超声图像，涵盖3,652名患者（患者筛选流程见图1）。使用留一法交叉验证（LOCO-CV），对每个中心的数据进行训练和测试。

图1 患者筛选流程图

模型架构：

采用基于transformer的神经网络模型，该模型在医学成像任务中显示出与卷积神经网络（CNN）相媲美的性能。

性能评估：

模型的性能通过与专家和非专家检查者在所有评估指标上的比较来评估，包括F1分数、敏感性、特异性、准确性、Cohen's kappa、Matthew's相关系数、诊断优势比和Youden's J统计量。

主要发现

模型性能：

AI模型在所有评估指标上均显著优于专家和非专家检查者，包括F1分数（83.50% vs 79.50%和74.10%）、敏感性、特异性等（见表1）。

表1 AI模型性能评估数据

临床应用模拟：

在回顾性分流模拟中（见图2），AI驱动的诊断支持将专家的转诊率降低了63%，同时显著超过了目前应用的诊断性能（见表1）。

图2 分流模拟（a.当前诊疗模式；b.分流诊疗模式）

模型泛化能力：

AI模型展现出强大的泛化能力，能够在不同的中心、超声系统、组织学诊断和患者年龄组中稳定运作。

图3 人工智能模型与专家及非专家在不同情况下的比较（a.医学中心；b.8个常见的超声系统；c.组织学诊断）

研究结论

本研究基于transformer的AI模型在卵巢癌的超声图像检测中展现出了超越人类专家的诊断准确性，并且具有良好的泛化能力和校准性能。这一发现特别重要，因为它不仅突显了AI在提高诊断准确性和效率方面的潜力，而且还表明AI模型可以在未见过的患者群体中保持高表现，这对于缓解专业超声检查医师短缺和改善患者结果具有重要意义。尽管这些结果令人鼓舞，但研究的回顾性质和人类检查者仅基于超声图像进行评估的限制意味着需要进一步的前瞻性和随机研究来验证AI模型的临床效益和诊断性能。未来的研究还应该在保守管理的患者群体中验证这些模型，并评估它们在低患病率环境中的有效性，以确保AI辅助诊断系统能够在广泛的临床设置中得到有效实施。

文献来源

Christiansen, F., Konuk, E., Ganeshan, A. R., Welch, R., Palés Huix, J., Czekierdowski, A., Leone, F. P. G., Haak, L. A., Fruscio, R., Gaurilcikas, A., Franchi, D., Fischerova, D., Mor, E., Savelli, L., Pascual, M. À., Kudla, M. J., Guerriero, S., Buonomo, F., Liuba, K., Montik, N., … Epstein, E. (2025). International multicenter validation of AI-driven ultrasound detection of ovarian cancer. Nature medicine, 10.1038/s41591-024-03329-4. Advance online publication.

责任编辑：肿瘤资讯-DLF
排版编辑：肿瘤资讯-Z Y

本文仅供专业人士参看，文中内容仅代表智能肿瘤学立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除。

04月03日

侯宪民

阳谷县人民医院 | 肿瘤内科

期待学习更多知识技能

04月03日

崔艳东

叶县人民医院 | 肿瘤科

多组学跨模态整合技术在智能肿瘤学中的应用

04月02日

何小罗

新沂市人民医院 | 胃肠外科

肿瘤免疫靶向治疗理念不断更新指导临床