蘇州醫工所在卵巢癌術前精確診斷研究獲進展

　　卵巢癌（Ovarian Cancer，OC）是婦科惡性腫瘤，依據其細胞來源可分為上皮性卵巢癌（Epithelial Ovarian Cancer，EOC）和非上皮性卵巢癌。其中，EOC發病人數占原發OC的90%。EOC好發于中老年女性，其預后差，五年生存率僅為35%。與之相對地，交界性上皮性卵巢腫瘤（Borderline Epithelial Ovarian Tumors，BEOT）具有更低的惡性潛能和更好的預后，五年生存率可達92%。從治療方式來看，EOC患者需要腫瘤細胞減滅術，并輔以新輔助化療，而BEOT患者通常可進行保守治療，保留患者的生育能力與卵巢功能。因此，術前準確地區分二者，對制定正確的治療方案、提升患者的術后生活質量十分重要。

　　目前術前鑒別BEOT與EOC主要由放射科醫生利用多參數MRI影像判斷，該方法依賴經驗、主觀性強、耗時且準確率不高。科研人員前期開發出一種基于影像組學的診斷方法，雖然診斷精度有所提升，但該方法需人工勾畫病灶區域，依然存在主觀、耗時等問題，臨床應用受限。近年來，人工智能技術在醫學影像智能診斷領域取得成功，其具有客觀、智能等優點，可有效解決上述問題，但現有的基于人工智能的多模態醫學影像智能診斷存在不足：（1）未能充分挖掘不同模態影像間的內在聯系；（2）未能充分探索同一模態影像中不同掃描切片間的內在聯系。

　　為此，中國科學院蘇州生物醫學工程技術研究所研究員高欣團隊博士簡俊明創新性地提出一種基于模態注意力（Modality-based Attention，MA）模塊和上下文多示例池化層（Contextual MPL，C-MPL）的多示例卷積神經網絡MAC-Net（圖1）。MA模塊主要用于多參數MRI（多模態影像）融合，效仿臨床醫生，自適應地賦予各模態單獨的權重，從而生成更智能高效的多參數MRI表示。C-MPL用于掃描切片間空間關系的建模，當對某一掃描切片內重點區域進行預測時，會同步考慮相鄰連續多個掃描切片信息，實現單一模態影像中掃描切片間空間及內容相關關系利用率的提升。

　　研究表明，MAC-Net在BEOT和EOC鑒別問題上表現良好，準確率可達87.9%，優于當前主流多示例卷積神經網絡模型。利用該方法，放射科醫生無需精確勾畫腫瘤邊界，只需要確定腫瘤區域的最上和最下層面位置，便可實現全自動分類模型構建及預測，具備較高的自動化和智能化。另外，MAC-Net具有較強的適配性能：（1）圖像適配性：MAC-Net可用于多參數MRI融合，并可延伸至多模態影像（如CT、PET等）融合；（2）疾病適配性：MAC-Net不僅適用于卵巢癌，還可拓展用于諸如肺癌、肝癌、腸癌、乳腺癌、前列腺癌等實體腫瘤的自動診斷中。

　　相關研究成果發表在Artificial Intelligence In Medicine上。研究工作得到國家自然科學基金委員會等的資助。

MAC-Net網絡架構圖