《Journal of Ovarian Research》：Diagnostic performance of deep learning models on ultrasound images for distinguishing benign from malignant ovarian cysts
编辑推荐：
针对卵巢囊肿良恶性鉴别依赖医师经验、存在主观不一致的临床痛点，本研究探讨了深度学习模型在超声图像自动分类中的应用。与资深超声医师主观评估（准确率76.5%）和O-RADS分类系统（准确率87.8%）相比，DenseNet121模型展现出更优的AUC（0.913 vs. 0.858, P<0.05），证实了其强大的整体判别能力。该研究为临床提供了客观、可靠的智能决策支持新工具。
卵巢囊肿是女性常见的盆腔疾病，对其良恶性进行准确区分，是指导临床治疗决策和预后评估的关键。然而，传统的超声检查高度依赖操作医师的经验，带来了主观性强、诊断一致性不足的挑战。这就像让不同的裁判用各自的尺度去评判同一场比赛，结果难免出现偏差。为了给医生提供一个更客观、更可靠的“第二意见”，近年来，基于深度学习的人工智能技术开始在智能医学影像诊断领域崭露头角，为解决卵巢囊肿的自动化、高精度分类问题带来了创新的曙光。
本研究发表在《Journal of Ovarian Research》上，旨在系统评估深度学习模型利用超声图像区分良恶性卵巢囊肿的诊断效能，并与传统方法进行对比，探索其临床应用的潜力。
为开展此项研究，研究人员主要采用了深度学习建模与性能对比分析的关键技术方法。研究构建了基于超声图像的深度学习模型，核心网络架构为DenseNet121。通过收集卵巢囊肿患者的超声图像数据，对模型进行训练和验证。在性能评估阶段，研究将模型的诊断结果与两种传统方法进行了头对头的比较：一是资深超声医师的主观经验判断，二是目前临床常用的卵巢-附件影像报告和数据系统（O-RADS）分类标准。评估的核心指标包括准确率、曲线下面积（AUC）等，以全面量化不同方法的鉴别能力。
研究结果
深度学习模型展现优异鉴别性能
通过与资深超声医师和O-RADS系统的直接对比，本研究得出了明确结论。在客观量化指标上，DenseNet121模型的表现最为突出。其曲线下面积（AUC）达到了0.913，显著高于O-RADS系统的0.858（P<0.05）。这一结果表明，深度学习模型在区分良恶性卵巢囊肿的整体判别能力上更具优势。相比之下，仅凭医师主观判断的准确率相对较低，为76.5%，而O-RADS系统作为结构化评估工具，将准确率提升至87.8%，但依然不及深度学习模型。这证实了深度学习模型能够有效处理超声图像中的噪声和复杂特征，实现高精度的自动分类。
研究结论与意义
本研究的结论指出，基于超声图像的深度学习模型能够有效应对该类影像中的噪声和特征复杂性，从而实现卵巢囊肿良恶性的高精度分类。与依赖个人经验的主观评估和现有的半定量化分类系统相比，以DenseNet121为代表的深度学习模型展现了更优的综合鉴别能力，其AUC值具有统计学上的显著优势。
这项研究的重要意义在于，它证明了深度学习技术在卵巢囊肿超声诊断这一具体临床场景中强大的应用潜力。模型所提供的高精度、客观化的分析结果，有望成为临床医师可靠的决策支持工具，有助于减少因经验差异导致的主观误判和诊断不一致，为实现更标准化、智能化的卵巢肿瘤早期筛查与精准管理提供了切实可行的技术路径。未来，此类模型若经过更大规模、多中心数据的进一步验证与优化，将有望整合进临床工作流，提升诊疗效率与质量，最终使患者受益。
