深度学习超声影像组学列线图模型鉴别Ⅰ和Ⅱ型上皮性卵巢癌
杜阳春1
郑红雨1
陈海宁1
郭文文2
姚金秀1
蓝通柳1
肖艳菊1
1.广西壮族自治区人民医院超声科(广西 南宁 530021)2.广西壮族自治区人民医院病理科(广西 南宁 530021)
摘要：目的 探讨基于超声的深度学习影像组学列线图(DLR_Nomogram)术前无创鉴别Ⅰ和Ⅱ型上皮性卵巢癌(EOC)的价值.方法 本研究纳入195例EOC患者,按8∶2的比例随机分为训练集和测试集.经过数据预处理、感兴趣区域的勾画、特征的提取、筛选及每个样本最大切面声像图的裁剪提取后,本研究首先构建了3个模型,即影像组学模型(Rad_Sig)、深度迁移学习模型(DTL_Sig)及临床模型(Clinic_Sig);随后构建了融合Rad_Sig、DTL_Sig及Clinic_Sig的联合模型,并可视化为列线图,即DLR_Nomogram.应用受试者工作特征(ROC)曲线及其曲线下面积(AUC)对模型性能进行评估.结果 测试集中,相比Rad_Sig(AUC:0.709,95%CI:0.539～0.880)、DTL_Sig(AUC:0.842,95%CI:0.712～0.972)及Clinic_Sig(AUC:0.916,95%CI:0.827～1.000),DLR_Nomogram(AUC:0.951,95%CI:0.876～1.000)的预测性能最佳;其拟合度较好(拟合优度检验:P>0.05);决策曲线分析表明在一定的阈值范围内,DLR_Nomogram具有更大的临床净获益.结论 基于超声的DLR_Nomogram对Ⅰ和Ⅱ型EOC具有较好的鉴别能力,或许能为临床医师术前制定个体化诊疗方案提供依据.
关键词：上皮性卵巢癌超声影像组学深度迁移学习列线图
分类号：R711.75(妇科学)
资助基金：广西重点研发计划项目(AB23026042)广西自然科学基金项目(2024GXNSFBA010171)广西医疗卫生适宜技术开发与推广应用项目(S2023021)广西医疗卫生适宜技术开发与推广应用项目(S2021055)
论文发表日期：2025-09-25
在线出版日期：2025-09-30（本平台首次上网日期，不代表文献的发表时间）
页数：8( 2920-2927 )
英文信息