基于超声影像组学、O-RADS分类与临床因素的卵巢肿瘤诊断模型

doi:10.3969/j.issn.1006-5725.2026.07.011

实用医学杂志 ›› 2026, Vol. 42 ›› Issue (7): 1192-1200.doi: 10.3969/j.issn.1006-5725.2026.07.011

• 肿瘤诊治与预后专栏 • 上一篇

基于超声影像组学、O-RADS分类与临床因素的卵巢肿瘤诊断模型

尹晶^1,²,张平洋¹(),汪珺莉²,尹薇薇²,储小爱²,赵文燕³

^1.南京医科大学附属南京医院/南京市第一医院心血管超声科（江苏南京 210006 ）
^2.华东师范大学附属芜湖医院/芜湖市第二人民医院超声医学科（安徽芜湖 241000 ）
^3.合肥市第一人民院超声医学科（安徽合肥 230000 ）

收稿日期:2025-12-01 修回日期:2025-12-26 接受日期:2025-12-30 出版日期:2026-04-10 发布日期:2026-04-13
通讯作者: 张平洋 E-mail:zhpy28@126.com
基金资助:
江苏省卫生健康委科研项目(ZD2021048);皖南医学院校级科研项目(WK2023JXYY133)

Developing an ovarian cancer diagnostic model from ultrasound radiomics， O‑RADS classification， and clinical factors

Jing YIN^1,²,Pingyang ZHANG¹(),Junli WANG²,Weiwei YIN²,Xiaoai CHU²,Wenyan ZHAO³

^1.Department of Cardiovascular Ultrasound，Nanjing Hospital Affiliated to Nanjing Medical University，Nanjing First Hospital，Nanjing 210006，Jiangsu，China
^2.Department of Ultrasound Medicine，Wuhu Hospital Affiliated to East China Normal University，Wuhu Second People's Hospital，Wuhu 241000，Anhui，China
^3.Department of Ultrasound Medicine，First People's Hospital of Hefei，Hefei 230000，Anhui，China

Received:2025-12-01 Revised:2025-12-26 Accepted:2025-12-30 Online:2026-04-10 Published:2026-04-13
Contact: Pingyang ZHANG E-mail:zhpy28@126.com

摘要/Abstract

摘要：

目的旨在整合超声影像组学、O-RADS（v2022）分类系统及临床危险因素，构建并验证一个智能诊断模型，以提高卵巢肿瘤良恶性鉴别诊断的准确性。方法采用多中心回顾性研究设计，纳入华东师范大学附属芜湖医院596例卵巢肿瘤手术患者，按7∶3比例随机分为训练集（n = 418）和内部验证集（n = 178），并收集110例合肥市第一人民院患者作为外部测试集。模型构建包含3个核心组成部分：（1）从标准化超声图像中提取的12个影像组学特征；（2）3位医师盲法评估并达成共识的O-RADS分类结果；（3）经单因素及多因素logistic回归筛选确定的临床预测因子（年龄、肿瘤最大径、CA125、HE4、绝经状态）。研究构建并比较了3种模型：单一O-RADS模型、临床-O-RADS模型以及影像组学-临床-O-RADS综合模型。结果联合模型在训练集、内部验证集和外部测试集中的诊断性能均最优，AUC值分别为0.95、0.92和0.89（P < 0.05）。决策曲线分析（DCA）进一步证实，该模型在广泛的阈值概率范围内具有更高的临床净获益。特征重要性分析显示，影像组学特征在模型中贡献度最高（约60%）。结论整合超声影像组学、O-RADS分类及临床因素的联合模型能够显著提升卵巢肿瘤的术前鉴别诊断效能，具有良好的泛化能力与临床实用性，为临床决策提供了客观、精准的辅助工具。

关键词: 卵巢肿瘤, 超声诊断, 影像组学, O-RADS分类, 诊断模型

Abstract:

Objective This study aims to integrate ultrasound radiomics， the O-RADS （v2022） classification system， and clinical risk factors to develop and validate an intelligent diagnostic model for improving the accuracy of differentiating between benign and malignant ovarian tumors. Methods A multicenter， retrospective study design was adopted. A total of 596 patients who underwent surgery at our institution were enrolled and randomly split into a training set （n = 418） and an internal validation set （n = 178） at a 7：3 ratio. Additionally， 110 patients from an external hospital were recruited as an external test set. Model construction consisted of three core components：（1） extraction of 12 radiomics features from standardized ultrasound images；（2） O-RADS classification results derived from blinded assessments and consensus among three physicians；（3） clinical predictors （age， maximum tumor diameter， CA125， HE4， and menopausal status） identified through univariate and multivariate logistic regression screening. Three models were developed and compared： a standalone O-RADS model， a combined clinical-O-RADS model， and an integrated radiomics-clinical-O-RADS model. Results The integrated model exhibited the optimal diagnostic performance， with area under the curve （AUC） values of 0.95 in the training set， 0.92 in the internal validation set， and 0.89 in the external test set （P < 0.05）. Decision curve analysis （DCA） further confirmed that this model achieved a higher clinical net benefit across a wide range of threshold probabilities. Feature importance analysis revealed that radiomics features contributed the most to the model’s predictive power （approximately 60%）. Conclusions The integrated model combining ultrasound radiomics， O-RADS classification， and clinical factors significantly improves the preoperative diagnostic accuracy for distinguishing between benign and malignant ovarian lesions. It demonstrates good generalization ability and clinical utility， providing an objective and precise auxiliary tool to support clinical decision-making in ovarian tumor management.

Key words: ovarian cancer, ultrasound diagnosis, radiomics, O-RADS classification system, diagnostic model

中图分类号:

R445.1

尹晶,张平洋,汪珺莉,尹薇薇,储小爱,赵文燕. 基于超声影像组学、O-RADS分类与临床因素的卵巢肿瘤诊断模型[J]. 实用医学杂志, 2026, 42(7): 1192-1200.

Jing YIN,Pingyang ZHANG,Junli WANG,Weiwei YIN,Xiaoai CHU,Wenyan ZHAO. Developing an ovarian cancer diagnostic model from ultrasound radiomics， O‑RADS classification， and clinical factors[J]. The Journal of Practical Medicine, 2026, 42(7): 1192-1200.

图/表 7

图1

表1

表2

表3

表4

图2

表5

参考文献 30

[1]	WEI Y F， NING L， XU Y L， et al.Worldwide patterns and trends in ovarian cancer incidence by histological subtype： A population-based analysis from 1988 to 2017［J］. E Clin Med， 2024， 79： 102983. doi： 10.1016/j.eclinm.2024.102983 . doi: 10.1016/j.eclinm.2024.102983
[2]	WANG Y， WANG Z， ZHANG Z H， et al. Burden of ovarian cancer in China from 1990 to 2030： A systematic analysis and comparison with the global level［J］. Front Public Health， 2023， 11： 1136596. doi： 10.3389/fpubh.2023.1136596 . doi: 10.3389/fpubh.2023.1136596
[3]	秦绪颖，王瑞国，王稳，等. 卵巢肿瘤良恶性风险评估方法学中国专家共识（2024年版）［J］.中国实用妇科与产科杂志， 2024， 40（3）： 312-320. doi： 10.19538/j.fk2024030113 . doi: 10.19538/j.fk2024030113
[4]	KOUTRAS A， PERROS P， PROKOPAKIS I， et al. Advantages and limitations of ultrasound as a screening test for ovarian cancer［J］. Diagnostics （Basel）， 2023， 13（12）： 2078. doi： 10.3390/diagnostics13122078 . doi: 10.3390/diagnostics13122078
[5]	GUO Y， PHILLIPS C H， SUAREZ-WEISS K， et al. Interreader agreement and intermodality concordance of O-RADS US and MRI for assessing large， complex ovarian-adnexal cysts［J］. Radiol Imaging Cancer， 2022， 4（5）： e220064. doi： 10.1148/rycan.220064 . doi: 10.1148/rycan.220064
[6]	AKKAYA H， DEMIREL E， DILEK O， et al. Ovarian-adnexal reporting and data system MRI scoring： Diagnostic accuracy， interobserver agreement， and applicability to machine learning［J］. Br J Radiol， 2025， 98（1166）： 254-261. doi： 10.1093/bjr/tqae221 . doi: 10.1093/bjr/tqae221
[7]	MATSAS A， STEFANOUDAKIS D， TROUPIS T， et al. Tumor markers and their diagnostic significance in ovarian cancer［J］. Life （Basel）， 2023， 13（8）： 1689. doi： 10.3390/life13081689 . doi: 10.3390/life13081689
[8]	SILVERWOOD S M， BACKER G， GALLOWAY A， et al. Assessing the rates of false-positive ovarian cancer screenings and surgical interventions associated with screening tools： A systematic review［J］. BMJ Oncol， 2024， 3（1）： e000404. doi： 10.1136/bmjonc-2024-000404 . doi: 10.1136/bmjonc-2024-000404
[9]	SALIMA S， RACHMAWATI A， HARSONO A， et al. Ovarian cancer-self assessment： An innovation for early detection and risk assessment of ovarian cancer［J］. Asian Pac J Cancer Prev， 2022， 23（8）： 2643-2647. doi： 10.31557/APJCP.2022.23.8.264 . doi: 10.31557/APJCP.2022.23.8.264
[10]	LI B， SUN M， YAO P， et al. Radiogenomics： A valuable tool for the clinical assessment and research of ovarian cancer［J］. J Comput Assist Tomogr， 2022， 46（3）： 371-378. doi： 10.1097/RCT.0000000000001279 . doi: 10.1097/RCT.0000000000001279
[11]	ZHOU J， CAO W， WANG L， et al. Application of artificial intelligence in the diagnosis and prognostic prediction of ovarian cancer［J］. Comput Biol Med， 2022， 146： 105608. doi： 10.1016/j.compbiomed.2022.105608 . doi: 10.1016/j.compbiomed.2022.105608
[12]	何尚鹏，黄炜贤，江燕辉，等. 超声特征与超声影像组学对BethesdaⅢ类甲状腺结节良恶性再评价的价值［J］. 实用医学杂志， 2025， 41（12）： 1892-1898. doi： 10.3969/j.issn.1006-5725.2025.12.018 . doi: 10.3969/j.issn.1006-5725.2025.12.018
[13]	HIETT A K， SONEK J D， GUY M， et al. Performance of IOTA Simple Rules， Simple Rules risk assessment， ADNEX model and O-RADS in differentiating between benign and malignant adnexal lesions in North American women［J］. Ultrasound Obstet Gynecol， 2022， 59（5）： 668-676. doi： 10.1002/uog.24777 . doi: 10.1002/uog.24777
[14]	JHA P， GUPTA A， BARAN T M， et al. Diagnostic performance of the ovarian-adnexal reporting and data system （O-RADS） ultrasound risk score in women in the United States［J］. JAMA Netw Open， 2022， 5（6）： e2216370. doi： 10.1001/jamanetworkopen.2022.16370 . doi: 10.1001/jamanetworkopen.2022.16370
[15]	HAN J， WEN J， HU W. Comparison of O-RADS with the ADNEX model and IOTA SR for risk stratification of adnexal lesions： A systematic review and meta-analysis［J］. Front Oncol， 2024， 14： 1354837. doi： 10.3389/fonc.2024.1354837 . doi: 10.3389/fonc.2024.1354837
[16]	苏漫婷，吴曼丽，张曼，等. 超声造影提高O-RADS 4～5类附件肿块诊断准确性的多中心回顾性研究［J］. 新医学， 2025， 56（9）： 872-881. doi： 10.12464/j.issn.0253-9802.2025-0091 . doi: 10.12464/j.issn.0253-9802.2025-0091
[17]	GRANT E G. Adding contrast-enhanced US to O-RADS： A route to improved specificity？［J］. Radiology， 2023， 308（2）： e231483. doi： 10.1148/radiol.231483 . doi: 10.1148/radiol.231483
[18]	刘芳欣，王洲，李健，等. 超声O-RADS分类联合超声造影及血清CA125和HE4检测诊断绝经后卵巢肿物的应用价值［J］. 实用肿瘤杂志， 2023， 38（4）： 392-397. doi： 10.13267/j.cnki.syzlzz.2023.062 . doi: 10.13267/j.cnki.syzlzz.2023.062
[19]	何丽英，昌禹豪，马强，等. 基于超声影像组学和临床特征构建的联合模型诊断早期卵巢癌的临床价值［J］. 临床超声医学杂志， 2025， 27（1）： 39-47. doi： 10.16245/j.cnki.issn1008-6978.2025.01.016 . doi: 10.16245/j.cnki.issn1008-6978.2025.01.016
[20]	STRACHOWSKI L M， JHA P， PHILLIPS C H， et al. O-RADS US v2022： An update from the American College of Radiology's ovarian-adnexal reporting and data system US committee［J］. Radiology， 2023， 308（3）： e230685. doi： 10.1148/radiol.230685 . doi: 10.1148/radiol.230685
[21]	杜阳春，郑红雨，陈海宁，等. 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. doi： 10.3969/j.issn.1006-5725.2025.18.020 . doi: 10.3969/j.issn.1006-5725.2025.18.020
[22]	王稳，王兴国，刘淑娟，等. 交界性卵巢肿瘤诊治中国专家共识（2022年版）［J］. 中国实用妇科与产科杂志， 2022， 38（12）： 1185-1194. doi： 10.19538/j.fk2022120110 . doi: 10.19538/j.fk2022120110
[23]	POONYAKANOK V， TANMAHASAMUT P， JAISHUEN A. Prospective comparative trial comparing O-RADS， IOTA ADNEX model， and RMI score for preoperative evaluation of adnexal masses for prediction of ovarian cancer［J］. J Obstet Gynaecol Res， 2023， 49（5）： 1412-1417. doi： 10.1111/jog.15624 . doi: 10.1111/jog.15624
[24]	LU B， LIU C， QI J， et al. Comparison of contrast-enhanced ultrasound， IOTA simple rules and O-RADS for assessing the malignant risk of sonographically appearing solid ovarian masses［J］. J Gynecol Obstet Hum Reprod， 2023， 52（4）： 102564. doi： 10.1016/j.jogoh.2023.102564 . doi: 10.1016/j.jogoh.2023.102564
[25]	SHANG J， LEI T， WU L， et al. Comparison of performance between O-RADS， IOTA simple rules risk assessment and ADNEX model in the discrimination of ovarian Brenner tumors［J］. Arch Gynecol Obstet， 2023， 308（3）： 961-970. doi： 10.1007/s00404-022-06903-8 . doi: 10.1007/s00404-022-06903-8
[26]	HENRY T， SUN R， LEROUSSEAU M， et al. Investigation of radiomics based intra-patient inter-tumor heterogeneity and the impact of tumor subsampling strategies［J］. Sci Rep， 2022， 12（1）： 17244. doi： 10.1038/s41598-022-20931-z . doi: 10.1038/s41598-022-20931-z
[27]	LAN W， HONG J， HUAYUN T. Advances in ovarian cancer radiomics： A bibliometric analysis from 2010 to 2024［J］. Front Oncol， 2024， 14： 1456932. doi： 10.3389/fonc.2024.1456932 . doi: 10.3389/fonc.2024.1456932
[28]	WANG D， SU N， WANG R， et al. Serous surface papillary borderline ovarian tumors： Correlation of sonographic features with clinic pathological findings［J］. Ultrasound Obstet Gynecol， 2024， 63（5）： 691-698. doi： 10.1002/uog.27454 . doi: 10.1002/uog.27454
[29]	MASCILLINI F， MORO F， PASCIUTO T， et al. Imaging in gynecological disease （28）： Clinical and ultrasound characteristics of serous and mucinous cystadenomas in the adnexa［J］. Ultrasound Obstet Gynecol， 2025， 66（2）： 233-241. doi： 10.1002/uog.29248 . doi: 10.1002/uog.29248
[30]	XIE X， MA S X， LUO X D， et al. Automatic recognition of adrenal incidentalomas using a two-stage cascade network： A multicenter study［J］. Ann Med， 2025， 57（1）. doi： 0.1080/07853890.2025.2540596 . doi: 0.1080/07853890.2025.2540596

指标	训练集（n = 418）	内部验证集（n = 178）	t/χ2值	P值^*	外部测试集（n = 110）	t/χ2值	P值^#
年龄/岁	45.48 ± 13.75	44.67 ± 14.21	0.63	0.527	40.80 ± 13.64	2.42	0.015
AFP/（μg/L）	12.63 ± 30.04	11.54 ± 29.45	0.40	0.691	9.96 ± 29.53	0.84	0.402
CA125/（U/mL）	88.98 ± 54.69	87.41 ± 49.44	0.32	0.752	94.78 ± 71.09	0.92	0.358
CA199/（U/mL）	45.51 ± 33.45	47.70 ± 35.02	0.71	0.482	40.35 ± 59.63	1.07	0.287
CEA/（μg/L）	23.41 ± 5.71	22.47 ± 5.30	0.44	0.661	19.81 ± 5.45	0.96	0.341
HE4/（pmol/L）	106.22 ± 38.52	111.32 ± 35.48	1.06	0.349	117.31 ± 51.36	2.32	0.021
肿瘤最大径/mm	81.15 ± 36.71	79.83 ± 36.66	0.37	0.292	69.72 ± 27.52	2.17	0.032
绝经/[例（%）]	258（61.72）	120（67.47）	1.16	0.283	77（70.00）	1.13	0.285
阴道流血/[例（%）]	39（9.33）	19（10.61）	0.39	0.351	14（12.58）	1.41	0.227

特征变量	单因素		多因素
特征变量	OR（95%CI）	P值	OR（95%CI）	P值
年龄	1.01（1.00 ~ 1.01）	0.039	1.01（1.00 ~ 1.01）	0.028
绝经情况	4.21（2.58 ~ 6.87）	0.002	2.79（1.45 ~ 5.49）	< 0.001
阴道流血情况	1.03（0.67 ~ 1.58）	0.820
AFP	1.00（1.00 ~ 1.01）	0.275
CA125	1.06（1.03 ~ 1.08）	0.032	1.04（1.02 ~ 1.07）	0.034
CA199	1.00（1.00 ~ 1.00）	0.431
CEA	1.00（1.00 ~ 1.01）	0.276
HE4	1.06（1.03 ~ 1.09）	0.014	1.06（1.04 ~ 1.08）	< 0.001
肿瘤最大径	1.01（1.00 ~ 1.01）	0.015	1.01（1.00 ~ 1.02）	0.038

类别	医生A	医生B	医生C	最终共识
O-RADS 2	142（20.17）	149（21.02）	141（32.30）	147（20.90）
O-RADS 3	217（30.82）	214（30.25）	220（31.10）	215（30.40）
O-RADS 4	230（32.53）	224（31.68）	220（31.10）	227（32.10）
O-RADS 5	117（16.48）	119（16.75）	125（17.75）	117（16.60）

数据集	模型	准确率	灵敏度	特异度	AUC（95%CI）	P值
训练集	O-RADS模型	0.77	0.82	0.76	0.86（0.81 ~ 0.92）	< 0.001
	O-RADS临床模型	0.83	0.85	0.81	0.90（0.86 ~ 0.95）	0.008
	联合模型	0.89	0.90	0.89	0.95（0.92 ~ 0.98）
内部验证集	O-RADS模型	0.79	0.82	0.74	0.85（0.80 ~ 0.91）	0.003
	O-RADS临床模型	0.84	0.86	0.82	0.88（0.82 ~ 0.93）	0.023
	联合模型	0.86	0.88	0.87	0.92（0.88 ~ 0.96）
外部测试集	O-RADS模型	0.78	0.81	0.71	0.83（0.77 ~ 0.89）	< 0.001
	O-RADS临床模型	0.83	0.84	0.82	0.85（0.79 ~ 0.90）	0.015
	联合模型	0.85	0.85	0.84	0.89（0.83 ~ 0.94）

基于超声影像组学、O-RADS分类与临床因素的卵巢肿瘤诊断模型

Developing an ovarian cancer diagnostic model from ultrasound radiomics， O‑RADS classification， and clinical factors

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 30

相关文章 14

编辑推荐

Metrics

本文评价

分类	病理类型	训练集	内部验证集	外部测试集
良性	上皮性肿瘤	80	34	15
	生殖细胞肿瘤	55	22	18
	性索-间质肿瘤	16	6	4
	混合性肿瘤	3	1	1
	非肿瘤性囊肿	75	37	21
	小计	229	99	59
恶性	上皮性肿瘤	100	43	27
	生殖细胞肿瘤	4	1	2
	性锁-间质肿瘤	17	7	5
	转移性肿瘤	13	5	4
	混合性肿瘤	2	1	0
	交界性	53	22	13
	小计	189	79	51

[1]	周瑶,戴乾滨,龙伟,胡凯翔,吴锐,符碧琪. 强直性脊柱炎患者环状RNA hsa_circ_0001707的表达及意义[J]. 实用医学杂志, 2026, 42(2): 295-302.
[2]	赖丹惠,江燕辉,叶思婷,庄淑莲,杨爽,薛文,张建兴. 颈动脉斑块超声影像组学特征对颈动脉支架置入术后再狭窄的预测能力[J]. 实用医学杂志, 2025, 41(5): 742-750.
[3]	文国良,方行,张卫. 常规影像和CT影像组学特征鉴别腮腺腺淋巴瘤与恶性肿瘤的价值[J]. 实用医学杂志, 2025, 41(21): 3442-3448.
[4]	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.
[5]	王兆阳,张楠. 基于CT影像组学与中医舌象特征构建肝细胞癌根治术后早期复发的Nomogram预测模型[J]. 实用医学杂志, 2025, 41(16): 2590-2596.
[6]	蔡惠亮,张乾营,黄莹,彭伟生,王成立,杨翠婷,邓娜,章思竹,徐妮娜,韩晓兵. 增强MRI瘤内瘤周影像组学联合临床影像学特征评估肝细胞癌ki-67的表达[J]. 实用医学杂志, 2025, 41(15): 2311-2319.
[7]	何尚鹏,黄炜贤,江燕辉,彭雄强,孟令萃,张建兴. 超声特征与超声影像组学对Bethesda Ⅲ类甲状腺结节良恶性再评价的价值[J]. 实用医学杂志, 2025, 41(12): 1892-1898.
[8]	吴晓倩,刘学欣,郜玉兰,郝志华,郭磊磊,聂倩. 免疫炎症指标结合磁控胶囊内镜检查在胃腺癌及癌前病变诊断中的应用[J]. 实用医学杂志, 2024, 40(16): 2333-2339.
[9]	周汇恩陈婉明王梦蝶罗斯佳陈佳琳何堃过新民. 基于临床-超声影像组学列线图模型预测孕晚期早产的价值 [J]. 实用医学杂志, 2023, 39(14): 1835-1841.
[10]	廖淑婷于向荣 . 能谱CT和人工智能在甲状腺癌诊断中的应用 [J]. 实用医学杂志, 2022, 38(2): 129-1133.
[11]	黄忠江姜增誉李健丁张智星陈文青 . 基于增强CT影像组学联合机器学习鉴别均质性肾透明细胞癌与肾乏脂肪血管平滑肌脂肪瘤 [J]. 实用医学杂志, 2021, 37(17): 2266-2270.
[12]	暴珞宁, 王瑛, 陈东, 刘再毅, . 超声影像组学标签预测乳腺癌前哨淋巴结转移的价值 [J]. 实用医学杂志, 2021, 37(15): 2007-2011.
[13]	李羚, 胡大涛, 夏春华, 李红霞 . 基于CT影像组学诺模图预测头颈部恶性肿瘤淋巴结转移 [J]. 实用医学杂志, 2021, 37(14): 1872-1878.
[14]	冯同富陈德军叶常鸿汪黎明金晶雷燕李力. 视黄醇结合蛋白2基因沉默对卵巢癌SKOV3/PTX细胞迁移侵袭的影响 [J]. 实用医学杂志, 2021, 37(10): 1240-1244.