医院概况

近期，国际医学磁共振学会官方期刊、著名影像学杂志《Journal of Magnetic Resonance Imaging》(IF=5.119)刊发了复旦大学附属金山医院放射科强金伟教授团队的研究成果“MRI-Based Multiple Instance Convolutional Neural Network for Increased Accuracy in the Differentiation of Borderline and Malignant Epithelial Ovarian Tumors”。

该研究的价值在于探索并验证了在不进行肿瘤区域勾画的情况下，人工智能技术在鉴别卵巢恶性与交界性肿瘤中的价值。研究中构建的模型摆脱了对病灶靶区精细勾画的依赖，客观性及稳定性更强，应用推广价值更高。借助该模型，放射科医生仅需确定肿瘤区域的最上和最下层面位置，便可实现全自动分类模型构建及预测。

研究背景
恶性上皮性卵巢肿瘤（EOC）预后较差，五年生存率仅为35%。而交界性上皮性卵巢肿瘤（BEOT）具有较好的预后，五年生存率可达92%。二者治疗方式差异巨大，术前无创准确地区分二者，可为治疗方案的制定提供安全可靠的依据，避免治疗不足或过度治疗，有效提升患者预后。

研究发现
研究基于多示例卷积神经网络的全自动诊断方法（见图1）构建了图像级多参数（EMP）模型和决策级多参数（LMP）模型，并将EMP和LMP模型的诊断性能与六位影像科医生团队（从业时间介于2-13年）进行了对比。研究结果显示，EMP模型与LMP模型都具有优秀的鉴别诊断能力，且后者准确率（88.4%）略高于前者（85.5%）（见图2）。EMP和LMP模型的诊断准确性明显优于六位影像科医生的平均水平（准确率79.7%）（见图3）。

图1 EOC与BEOT鉴别模型。（a）多示例卷积神经网络架构；（b）EMP模型与LMP模型。

图2 EMP模型与LMP模型性能对比。 

图3 LMP模型与六位影像科医生的诊断能力对比。

该研究是在国家自然科学基金面上项目（NO.81971579）、上海市科委（NO. 19411972000）、上海市医学重点专科（NO. ZK2019B01）、金山区优秀青年人才培养项目（NO. JSYQ201901）的资助下，由复旦大学附属金山医院及中国科学院苏州生物医学工程技术研究所合作完成。复旦大学附属金山医院放射科强金伟教授为通讯作者，李勇爱副主任医师为第一作者。

多年来，强金伟教授团队致力于妇科肿瘤的影像学诊断和研究，先后获5项国家自然科学基金资助，发表SCI论文60余篇，主编《妇科影像学》和《现代体部磁共振诊断学-泌尿生殖分册》专著两部，副主编专著4部，研究成果或上海市医学科技奖二等奖，金山区科技进步将一等奖。

医学探索永远在路上，

闪光金医科研人，

快乐分享研究成果，

更多金医科研前沿，

敬请期待！