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

doi:10.3969/j.issn.1006-5725.2025.18.020

摘要/Abstract

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

Abstract:

Objective To evaluate an ultrasound-based deep learning radiomics nomogram （DLR_Nomogram） for non-invasively differentiating between type Ⅰ and type Ⅱ epithelial ovarian cancer （EOC） before surgery. Methods In this study， a cohort of 195 patients diagnosed with EOC was analyzed. Participants were randomly divided into a training set and a testing set at an 8∶2 ratio. Following data preprocessing， region of interest （ROI） delineation， feature extraction and selection， as well as the clipping and extraction of the maximum section sonogram for each sample， three initial models were developed： the radiomics signature （Rad_Sig）， the deep transfer learning signature （DTL_Sig）， and the clinical signature （Clinic_Sig）. Subsequently， an integrated model—referred to as the DLR_Nomogram—was constructed by combining Rad_Sig， DTL_Sig， and Clinic_Sig， and was presented in the form of a nomogram. The performance of the model was evaluated using the receiver operating characteristic （ROC） curve and the corresponding area under the curve （AUC）. Results In the testing set， the DLR_Nomogram demonstrated superior predictive performance （AUC： 0.951， 95%CI： 0.876 ~ 1.000） compared to Rad_Sig （AUC： 0.709， 95%CI： 0.539 ~ 0.880）， DTL_Sig （AUC： 0.842， 95%CI： 0.712 ~ 0.972）， and Clinic_Sig （AUC： 0.916， 95%CI： 0.827 ~ 1.000）. The Hosmer?Lemeshow goodness-of-fit test for the DLR_Nomogram resulted in a p-value exceeding 0.05， indicating adequate model calibration. Moreover， decision curve analysis revealed that the DLR_Nomogram offers a higher net clinical benefit across a defined range of threshold probabilities. Conclusions The ultrasound-based DLR_Nomogram exhibits a robust ability to differentiate between Type Ⅰ and Type Ⅱ EOC， and may serve as a valuable clinical tool for guiding individualized preoperative diagnostic and therapeutic decision-making.

Key words: epithelial ovarian cancer, ultrasound, radiomics, deep transfer learning, nomogram

中图分类号:

R711.75

杜阳春,郑红雨,陈海宁,郭文文,姚金秀,蓝通柳,肖艳菊. 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[J]. 实用医学杂志, 2025, 41(18): 2920-2927.

Yangchun DU,Hongyu ZHENG,Haining CHEN,Wenwen GUO,Jinxiu YAO,Tongliu LAN,Yanju XIAO. Ultrasound⁃based deep learning radiomics nomogram to differentiate type Ⅰ and type Ⅱ epithelial ovarian cancer[J]. The Journal of Practical Medicine, 2025, 41(18): 2920-2927.

图/表 8

图1

表1

训练集和测试集的临床参数及声像图语义特征 (例（%）)"

项目	训练集（n = 156）				测试集（n = 39）
项目	Ⅰ型EOC（n = 64）	Ⅱ型EOC（n = 92）	t/χ² 值	P值	Ⅰ型EOC （n = 16）	Ⅱ型EOC （n = 23）	t/χ² 值	P值
年龄（x ± s）/岁	47.31 ± 10.34	54.04 ± 9.66	-4.158	< 0.001	50.06 ± 10.32	56.17 ± 8.10	-2.07	0.045
单核细胞计数（x ± s）/（10⁹·L^-1）	0.60 ± 0.27	0.59 ± 0.27	0.228	0.747	0.45 ± 0.19	0.73 ± 0.24	-3.89	< 0.001
血小板计数（x ± s）/（10⁹·L^-1）	316.03 ± 88.64	365.91 ± 110.79	-2.995	0.004	298.19 ± 75.92	368.17 ± 101.86	-2.331	0.025
PLR（x ± s）	200.27 ± 128.317	242.95 ± 130.71	-2.021	0.045	199.09 ± 143.20	252.62 ± 118.34	-1.275	0.21
LMR（x ± s）	3.49 ± 1.63	3.66 ± 2.88	-0.427	0.662	4.37 ± 1.93	2.46 ± 1.08	3.952	< 0.001
FIGO分期			30.628	< 0.001			11.493	< 0.001
Ⅰ+Ⅱ	49（76.56）	29（31.52）			13（81.25）	6（26.09）
Ⅲ+Ⅳ	15（23.44）	63（68.48）			3（18.75）	17（73.91）
月经状态			9.748	0.002			0.321	0.583
绝经前	42（65.62）	37（40.22）			7（43.75）	8（34.78）
绝经后	22（34.38）	55（59.78）			9（56.25）	15（65.22）
肿块声像图特征			21.361	< 0.001			5.252	0.020
囊性	10（15.62）	1（1.09）			2（12.50）	0（0.00）
囊实性	38（59.38）	40（43.48）			10（62.50）	10（43.48）
实性	16（25.00）	51（55.43）			4（25.00）	13（56.52）
彩色血流评分			17.311	< 0.001			4.503	0.032
1分	6（9.38）	3（3.26）			1（6.25）	0（0.00）
2分	38（59.38）	30（32.61）			8（50.00）	6（26.09）
3分	19（29.69）	52（56.52）			7（43.75）	16（69.57）
4分	1（1.56）	7（7.61）			0（0.00）	1（4.35）
肿瘤侧别			17.11	< 0.001			5.564	0.018
单侧	51（79.69）	43（46.74）			13（81.25）	10（43.48）
双侧	13（20.31）	49（53.26）			3（18.75）	13（56.52）
CA125			18.686	< 0.001			8.474	0.002
≤ 35 U/mL	19（29.69）	7（7.61）			8（50.00）	2（8.70）
> 35 U/mL且≤ 200 U/mL	21（32.81）	22（23.91）			3（18.75）	4（17.39）
> 200 U/mL且> 500 U/mL	8（12.50）	19（20.65）			2（12.50）	5（21.74）
≥ 500 U/mL	16（25.00）	44（47.83）			3（18.75）	12（52.17）

表1

图2

图3

表2

图4

图5

图6

参考文献 27

[1]	张丹，李燕东. 卵巢与附件区肿瘤的研究进展［J］. 中华医学超声杂志（电子版）， 2020， 17（3）： 274-278.
[2]	QIAN L， REN J， LIU A， et al. MR imaging of epithelial ovarian cancer： A combined model to predict histologic subtypes［J］. Eur Radiol， 2020， 30（11）： 5815-5825. doi:10.1007/s00330-020-06993-5 doi: 10.1007/s00330-020-06993-5
[3]	BERA K， BRAMAN N， GUPTA A， et al. Predicting cancer outcomes with radiomics and artificial intelligence in radiology［J］. Nat Rev Clin Oncol， 2022， 19（2）： 132-146. doi:10.1038/s41571-021-00560-7 doi: 10.1038/s41571-021-00560-7
[4]	LI X， YANG L， JIAO X. Comparison of Traditional Radiomics， Deep Learning Radiomics and Fusion Methods for Axillary Lymph Node Metastasis Prediction in Breast Cancer［J］. Acad Radiol， 2023， 30（7）： 1281-1287. doi:10.1016/j.acra.2022.10.015 doi: 10.1016/j.acra.2022.10.015
[5]	PARK H J， PARK B， LEE S S. Radiomics and Deep Learning： Hepatic Applications［J］. Korean J Radiol， 2020， 21（4）： 387-401. doi:10.3348/kjr.2019.0752 doi: 10.3348/kjr.2019.0752
[6]	罗刚，泮思林，乔思波，等. 深度学习技术在胎儿超声心动图图像自动识别中的应用［J］. 实用医学杂志， 2022， 38（14）： 1830-1833. doi:10.3969/j.issn.1006⁃5725.2022.14.022 doi: 10.3969/j.issn.1006?5725.2022.14.022
[7]	TONG T， GU J， XU D， et al. Deep learning radiomics based on contrast-enhanced ultrasound images for assisted diagnosis of pancreatic ductal adenocarcinoma and chronic pancreatitis［J］. BMC Med， 2022， 20（1）： 74. doi:10.1186/s12916-022-02258-8 doi: 10.1186/s12916-022-02258-8
[8]	SOHN J H， FIELDS B K K. Radiomics and Deep Learning to Predict Pulmonary Nodule Metastasis at CT［J］. Radiology， 2024， 311（1）： e233356. doi:10.1148/radiol.233356 doi: 10.1148/radiol.233356
[9]	DU Y， XIAO Y， GUO W， et al. Development and validation of an ultrasound-based deep learning radiomics nomogram for predicting the malignant risk of ovarian tumours［J］. Biomed Eng Online， 2024， 23（1）： 41. doi:10.1186/s12938-024-01234-y doi: 10.1186/s12938-024-01234-y
[10]	DU Y， GUO W， XIAO Y， et al. Ultrasound-based deep learning radiomics model for differentiating benign， borderline， and malignant ovarian tumours： A multi-class classification exploratory study［J］. BMC Med Imaging， 2024， 24（1）： 89. doi:10.1186/s12880-024-01251-2 doi: 10.1186/s12880-024-01251-2
[11]	CHEN H， YANG B W， QIAN L， et al. Deep Learning Prediction of Ovarian Malignancy at US Compared with O-RADS and Expert Assessment［J］. Radiology， 2022， 304（1）： 106-113. doi:10.1148/radiol.211367 doi: 10.1148/radiol.211367
[12]	JIAN J， LI Y， PICKHARDT P J， et al. MR image-based radiomics to differentiate type Ⅰ and type Ⅱ epithelial ovarian cancers［J］. Eur Radiol， 2021， 31（1）： 403-410. doi:10.1007/s00330-020-07091-2 doi: 10.1007/s00330-020-07091-2
[13]	ZHANG H， MAO Y， CHEN X， et al. Magnetic resonance imaging radiomics in categorizing ovarian masses and predicting clinical outcome： A preliminary study［J］. Eur Radiol， 2019， 29（7）： 3358-3371. doi:10.1007/s00330-019-06124-9 doi: 10.1007/s00330-019-06124-9
[14]	CHEN X， WANG X， ZHANG K， et al. Recent advances and clinical applications of deep learning in medical image analysis［J］. Med Image Anal， 2022， 79： 102444. doi:10.1016/j.media.2022.102444 doi: 10.1016/j.media.2022.102444
[15]	郭润财，王蕾，黄振国，等. 基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值［J］. 实用医学杂志， 2023， 39（22）： 2979-2983. doi:10.3969/j.issn.1006-5725.2023.22.021 doi: 10.3969/j.issn.1006-5725.2023.22.021
[16]	TOSEEF M， OLAYEMI PETINRIN O， WANG F， et al. Deep transfer learning for clinical decision-making based on high-throughput data： Comprehensive survey with benchmark results［J］. Brief Bioinform， 2023， 24（4）： 1-16. doi:10.1093/bib/bbad254 doi: 10.1093/bib/bbad254
[17]	WANG R， CAI Y， LEE I K， et al. Evaluation of a convolutional neural network for ovarian tumor differentiation based on magnetic resonance imaging［J］. Eur Radiol， 2021， 31（7）： 4960-4971. doi:10.1007/s00330-020-07266-x doi: 10.1007/s00330-020-07266-x
[18]	CHRISTIANSEN F， EPSTEIN E L， SMEDBERG E， et al. Ultrasound image analysis using deep neural networks for discriminating between benign and malignant ovarian tumors： Comparison with expert subjective assessment［J］. Ultrasound Obstet Gynecol， 2021， 57（1）： 155-163. doi:10.1002/uog.23530 doi: 10.1002/uog.23530
[19]	GAO Y， ZENG S， XU X， et al. Deep learning-enabled pelvic ultrasound images for accurate diagnosis of ovarian cancer in China： A retrospective， multicentre， diagnostic study［J］. Lancet Digit Health， 2022， 4（3）： e179-e187. doi:10.1016/s2589-7500(21)00278-8 doi: 10.1016/s2589-7500(21)00278-8
[20]	HSU S T， SU Y J， HUNG C H， et al. Automatic ovarian tumors recognition system based on ensemble convolutional neural network with ultrasound imaging［J］. BMC Med Inform Decis Mak， 2022， 22（1）： 298. doi:10.1186/s12911-022-02047-6 doi: 10.1186/s12911-022-02047-6
[21]	WANG T， WANG H， WANG Y， et al. MR-based radiomics-clinical nomogram in epithelial ovarian tumor prognosis prediction： Tumor body texture analysis across various acquisition protocols［J］. J Ovarian Res， 2022， 15（1）： 1-10. doi:10.1186/s13048-021-00941-7 doi: 10.1186/s13048-021-00941-7
[22]	ZHU H， AI Y， ZHANG J， et al. Preoperative Nomogram for Differentiation of Histological Subtypes in Ovarian Cancer Based on Computer Tomography Radiomics［J］. Front Oncol， 2021， 11： 642892. doi:10.3389/fonc.2021.642892 doi: 10.3389/fonc.2021.642892
[23]	YAN B C， MA X L， LI Y， et al. MRI-Based Radiomics Nomogram for Selecting Ovarian Preservation Treatment in Patients With Early-Stage Endometrial Cancer［J］. Front Oncol， 2021， 11： 1-11. doi:10.3389/fonc.2021.730281 doi: 10.3389/fonc.2021.730281
[24]	ZENG Q， LI H， ZHU Y， et al. Development and validation of a predictive model combining clinical， radiomics， and deep transfer learning features for lymph node metastasis in early gastric cancer［J］. Front Med （Lausanne）， 2022， 9： 986437. doi:10.3389/fmed.2022.986437 doi: 10.3389/fmed.2022.986437
[25]	GAO W， WANG W， SONG D， et al. A predictive model integrating deep and radiomics features based on gadobenate dimeglumine-enhanced MRI for postoperative early recurrence of hepatocellular carcinoma［J］. Radiol Med， 2022， 127（3）： 259-271. doi:10.1007/s11547-021-01445-6 doi: 10.1007/s11547-021-01445-6
[26]	GONG J， ZHANG W， HUANG W， et al. CT-based radiomics nomogram may predict local recurrence-free survival in esophageal cancer patients receiving definitive chemoradiation or radiotherapy： A multicenter study［J］. Radiother Oncol， 2022， 174： 8-15. doi:10.1016/j.radonc.2022.06.010 doi: 10.1016/j.radonc.2022.06.010
[27]	AFSHAR P， MOHAMMADI A， PLATANIOTIS K N， et al. From Handcrafted to Deep-Learning-Based Cancer Radiomics： Challenges and opportunities［J］. Ieee Signal Proc Mag， 2019， 36（4）： 132-160. doi:10.1109/msp.2019.2900993 doi: 10.1109/msp.2019.2900993

项目	临床参数标签	影像组学标签	深度迁移学习标签	深度学习影像组学列线图
训练集
AUC	0.850^*	0.878^*	0.920^*	0.958
2.5%CI	0.787	0.824	0.876	0.931
97.5%CI	0.912	0.932	0.963	0.986
准确性	0.808	0.827	0.827	0.904
查准率	0.823	0.849	0.828	0.914
查全率	0.859	0.859	0.891	0.924
F1 Score	0.840	0.854	0.859	0.919
测试集
AUC	0.916	0.709^*	0.842^*	0.951
2.5%CI	0.827	0.539	0.712	0.876
97.5%CI	1.000	0.880	0.972	1.000
准确性	0.872	0.641	0.744	0.923
查准率	0.821	0.680	0.710	0.885
查全率	1.000	0.739	0.957	1.000
F1 Score	0.902	0.708	0.815	0.939