根据中国学者发表在《肿瘤学前沿》上的一项研究，基于超声成像的人工智能（AI）模型用于卵巢癌诊断的的性能强大，并有可能优于超声医师，其性能在内部和外部验证数据集中均得到验证。
根据中国学者发表在《肿瘤学前沿》上的一项研究，基于超声成像的人工智能（AI）模型用于卵巢癌诊断的的性能强大，并有可能优于超声医师，其性能在内部和外部验证数据集中均得到验证。[1]
关键要点
- 利用超声成像的人工智能（AI）模型进行卵巢癌诊断，相比医生展现出更优的诊断性能，具有更高的灵敏度和特异度。
- 该研究强调需要早期、准确的诊断，以改善卵巢癌患者的治疗结果并减少不必要的手术。
- 这项研究的局限性包括回顾性研究存在偏倚，可能高估AI性能，需要进一步开展前瞻性、多中心研究。
AI能否改善卵巢癌的早期检测？
卵巢癌症状隐匿或非特异性常常导致临床就诊延迟，因此需要更早、更准确的诊断方法，以降低死亡率、改善治疗结果，并最大限度地减少对出现卵巢肿块患者的不必要手术。传统的诊断方式包括CT或MRI等影像学工具、血清生物标志物、病理活检和超声。最近，AI在提升诊断性能方面显示出潜力，利用机器学习和深度学习技术，AI可以从影像数据中提取复杂模式，并对人眼通常不可见的影像学特征进行定量评估。先前的一项研究报告称，AI辅助卵巢癌诊断的灵敏度和特异度可分别高达81%和92%，优于传统的基于影像的方法。[2]
研究人员进行了一项荟萃分析，以评估基于AI的超声模型对卵巢癌初始诊断的诊断性能，并将其性能与超声医师进行比较。他们检索了截至2025年2月的PubMed、Web of Science、Embase和Cochrane图书馆数据库，以寻找符合条件的研究。研究人员使用双变量随机效应模型，汇总了来自内部验证集、外部验证集和超声医师的灵敏度、特异度和曲线下面积（AUC）等数据。
AI辅助超声诊断卵巢癌的准确度如何？
初步检索确定了302项符合条件的研究，其中18项符合纳入标准。内部验证集涉及总共22，697名患者、图像或病灶；外部验证集涉及2297名患者。这些研究发表于1999年-2024年间，其中13项为回顾性研究，5项为前瞻性研究。8项研究使用了影像组学结合临床的AI模型，而10项研究仅使用影像组学模型。同样，8项研究采用了深度学习方法，其余10项使用传统的机器学习方法。
☆在内部验证集中，AI表现出0.95的灵敏度（95%CI:0.88-0.98）和0.95的特异度（95%CI:0.89-0.98），产生的AUC为0.98。
☆在外部验证中，灵敏度为0.78（95%CI:0.56-0.91），特异度为0.88（95%CI:0.76-0.95），AUC为0.91。
☆相比之下，超声医师表现出0.83的灵敏度（95%CI:0.62-0.94）、0.84的特异度（95%CI:0.79-0.88）和0.87的AUC。
图:基于超声的AI模型在诊断卵巢癌时的综合受试者工作特征（SROC）曲线：内部验证集（a）与超声医师（b）的对比。
研究人员强调，这些发现表明基于超声的AI模型在诊断上显著优于超声医师。他们还观察到研究间存在高度异质性，并通过荟萃回归分析确定，这主要归因于基于图像和基于患者的分析方法之间的差异。
还需要哪些证据来支持AI超声的临床应用？
研究人员承认了这项分析有几个局限性，包括大多数分析的研究是回顾性的，这可能会引入偏倚。此外，当一项研究中报告了多种AI算法时，仅选择最佳模型进行分析，可能导致对诊断性能的高估。这些结果表明了AI整合到临床实践中的潜力，但仍然需要外部、多中心、前瞻性头对头设计的进一步研究。
参考文献
1.Li R，Lei J，Tang X，et al.Artificial intelligence based on ultrasound for initial diagnosis of malignant ovarian cancer:a systematic review and meta-analysis.Front Oncol.2025;15:1626286.doi:10.3389/fonc.2025.1626286
2.Xu HL，Gong TT，Liu FH，et al.Artificial intelligence performance in image-based ovarian cancer identification:a systematic review and meta-analysis.EClinicalMedicine.2022;53:101662.doi:10.1016/j.eclinm.2022.101662
京公网安备 11010502033352号