《npj Precision Oncology》：Development and validation of an artificial intelligence-based model for diagnosing benign, borderline, and malignant adnexal masses
编辑推荐：
本研究针对卵巢附件肿块良恶性鉴别诊断的临床难题，开发了基于双主干架构的AI模型Clinical-OMTA。该模型整合超声影像、年龄和CA125数据，实现对良性、交界性与恶性肿瘤的多分类诊断。验证结果显示其诊断性能与ADNEX模型相当（AUC：0.950 vs 0.953），且能显著提升放射科医生的诊断一致性（kappa值从0.17-0.78提高至0.86-0.98）和准确率（72.3% vs 88.0%）。该模型在不同医疗设备及中心均表现稳定，特别适用于医疗资源匮乏地区。
卵巢附件肿块的准确分类直接关系到临床治疗策略的选择，但传统诊断方法存在较大挑战。超声检查作为首选影像学手段，虽能提供重要信息，但对交界性肿瘤与恶性肿瘤的鉴别仍依赖医师经验。国际卵巢肿瘤分析（International Ovarian Tumor Analysis, IOTA）组开发的ADNEX模型虽具有一定诊断价值，但其在多元化临床场景中的适用性仍需验证。特别是在医疗资源不均的地区，缺乏经验丰富的超声医师往往导致诊断延迟或误诊。
为突破这一瓶颈，研究团队开发了Clinical-Ovarian Multi-Task Attention（Clinical-OMTA）人工智能模型。该创新模型采用双主干架构，分别处理"良性vs非良性"和"交界性vs恶性"分类任务，通过融合超声图像、患者年龄和肿瘤标志物CA125（Carbohydrate Antigen 125）等多模态数据，实现三类诊断。研究采用回顾性数据从23家医院收集病例，其中21家医院的1882例患者用于模型训练、验证和内部测试，另外两家医院分别提供340例和159例患者进行外部验证。
关键技术方法包括：基于双主干架构的深度学习模型设计，整合超声图像、年龄与CA125的多模态数据融合技术，采用来自23家医院的多中心数据集（训练集1882例，外部测试集499例）进行验证，以及通过放射科医生使用模型前后的诊断一致性对比评估临床效用。
模型性能验证
在外部图像数据集测试中，Clinical-OMTA展现出与ADNEX模型相当的诊断效能：良性肿瘤鉴别AUC值为0.950对0.953，交界性肿瘤鉴别AUC值为0.870对0.853，恶性肿瘤鉴别AUC值为0.930对0.938。与专家主观评估相比，准确率分别为85.6%和87.4%，无显著差异。
多模态数据价值分析
值得注意的是，尽管Clinical-OMTA支持多模态数据整合，但其性能并未显著优于仅使用图像数据的OMTA模型。这一结果表明，在此特定任务中，加入年龄和CA125数据并未带来额外增益，超声图像本身已包含足够诊断信息。
泛化能力评估
模型在不同采集模式、设备类型、扫描方法和医疗中心均表现一致，准确率维持在79.9%-87.7%之间，证明其具有良好的临床适用性和稳定性。
临床实用性验证
将Clinical-OMTA作为决策支持工具使用时，放射科医生之间的诊断一致性显著提高，kappa值从0.17-0.78提升至0.86-0.98。同时，医生的诊断准确率从72.3%提升至88.0%，表明该模型能有效辅助临床决策。
研究结论表明，Clinical-OMTA模型在卵巢附件肿块分类任务中表现出优秀的诊断性能和泛化能力。虽然多模态数据整合未带来预期中的性能提升，但模型作为决策支持工具显著提高了放射科医生的诊断准确性和一致性。该研究的创新点在于设计了专门针对卵巢肿瘤多分类任务的双主干架构，并通过大规模多中心数据验证了其临床价值。特别值得关注的是，该模型在资源有限或偏远地区的应用前景广阔，能够弥补超声诊断专家不足的缺口。研究成果发表于《npj Precision Oncology》，为人工智能在妇科肿瘤诊断中的实际应用提供了重要参考。
