首页 > 文章详情

柳叶刀子刊：突破人工分割瓶颈！首个端到端AI模型实现高级别浆液性卵巢癌术前预后预测

03月08日

编译：肿瘤资讯

来源：The Lancet Digital Health

高级别浆液性卵巢癌（HGSOC）是致死率最高的妇科恶性肿瘤。基于增强CT的放射组学在预测预后方面极具潜力，但因耗时的人工病灶分割而很大程度受限。帝国理工学院Eric O Aboagye教授团队在The Lancet Digital Health发表研究，开发了一种端到端的人工智能模型，实现原发病灶自动分割与预后评估，表现优于现有的临床和放射组学参考标准^[1]。

研究背景

上皮性卵巢癌是妇科恶性肿瘤中预后最差的类型，其中HGSOC是最常见的亚型，约占上皮性卵巢癌的70%[2,3]。目前，HGSOC的一线治疗通常包括肿瘤细胞减灭术联合铂类化疗，后续根据患者的临床和分子特征，采用贝伐珠单抗、PARP抑制剂等药物进行维持治疗。然而，由于肿瘤存在高度的异质性，传统的分子标志物难以全面反映肿瘤特征，导致临床上制定个性化治疗方案时面临挑战。

放射组学是一种无创的分析方法，能够从医学图像中提取出高通量的定量特征。既往研究表明，基于术前增强CT的放射组学对卵巢癌具有预后价值。但这些研究均需对目标病变进行手动分割，不仅增加放射科医生和临床医生的工作负担，也限制了技术的广泛应用。为此，研究团队旨在开发一种端到端的自动化AI模型，将自动分割过程与预后评估算法结合，以改善HGSOC患者的术前风险分层。

研究方法

该研究是一项跨国、多中心的回顾性研究，共纳入了605例原发性HGSOC患者的术前增强CT扫描图像。患者来自三个独立的队列：汉默史密斯医院（n=211）、TCIA数据库（n=71）、德国埃森-米特医院（KEM，n=323）。汉默史密斯医院数据集按7:3随机分为训练集（n=147）和验证集（n=64）。TCIA和KEM数据集作为外部测试集。

研究利用nnU-Net框架开发自动分割模型，进行放射组学模型开发和深度学习模型开发，最终筛选出最佳的总生存期预测模型。此外，结合转录组学和蛋白质组学数据探索了高风险人群的生物学机制。

主要结果

采用Dice相似系数对汉默史密斯医院训练集、验证集及TCIA、KEM测试集的模型性能进行评估，中位数分别为0.96、0.90、0.88和0.80。最佳放射组学模型PVIRF-RSF结合临床特征后，C指数在汉默史密斯医院验证集为0.73（SE 0.07）、TCIA测试集为0.73（SE 0.06）、KEM测试集为0.73（SE 0.03）。

通过K-均值聚类算法将PVIRF-RSF模型的预测结果二分类，成功将患者分为高风险组和低风险组（汉默史密斯医院训练集P＜0.0001、验证集P=0.0057、TCIA测试集P=0.0044、KEM测试集P=0.0055)，但这种二分类方法未能精准捕获风险最高的那部分患者。若进一步划分为高、中、低三个风险组，可识别出5%~30%的高风险患者。该模型在HGSOC的风险分层能力上，相较于传统预后指标及既往的放射组学预后向量模型，具有更好的预测效果。

进一步分析显示，高风险组肿瘤富集了侵袭相关通路、α-亚麻酸代谢通路和MAPK信号通路等。组织学上，高风险组肿瘤细胞密度明显更高，提示PVIRF-RSF模型比既往的放射组学预后向量模型更能反映肿瘤细胞的侵袭性特征。

讨论

本研究成功构建了首个基于增强CT的HGSOC总生存期预测端到端分析流程。该模型克服了人工分割的瓶颈，提供了一种标准化、非侵入性的预后评估工具。未来若整合至临床工作站，放射科医生和妇科肿瘤医生可进行肿瘤的实时分割、预后分层，并获取肿瘤微环境相关信息。

对于HGSOC患者，低风险人群可能无需接受大范围手术，而高风险人群通常需要接受根治性减瘤术、铂类化疗、靶向治疗（如PARP抑制剂）或纳入临床试验。

作为一种标准化的无创方法，PVIRF-RSF理论上可简化患者分层流程、加快临床试验入组，并优化HGSOC的个体化诊疗；未来需通过前瞻性研究进一步验证该方法的临床价值，以解决目前临床中对快速、精准预后评估的迫切需求。

参考文献

[1] Linton-Reid K, Lu H, Wengert G, et al. End-to-end integrative segmentation and radiomics prognostic models for risk stratification of high-grade serous ovarian cancer: a retrospective multicohort study. Lancet Digit Health. 2026. doi:10.1016/j.landig.2025.100955

[2] Vaughan S, Coward JI, Bast RC, et al. Rethinking ovarian cancer: recommendations for improving outcomes. Nat Rev Cancer 2011; 11: 719–25.

[3] Agarwal R, Kaye SB. Ovarian cancer: strategies for overcoming resistance to chemotherapy. Nat Rev Cancer 2003; 3: 502–16.

责任编辑：肿瘤资讯-Hanna
排版编辑：肿瘤资讯-Hanna

03月10日

贾原菊

宜城市人民医院 | 肿瘤内科

好好学习天天向上

03月08日

庞静

中山大学附属第五医院 | 肿瘤内科

好好学习天天向上