深度学习模型助力卵巢肿瘤良恶性鉴别：基于非增强 MRI 的评估

《Abdominal Radiology》：Ovarian masses suggested for MRI examination: assessment of deep learning models based on non-contrast-enhanced MRI sequences for predicting malignancy

研究人员评估 4 种深度学习（DL）模型对卵巢肿瘤良恶性的鉴别能力，模型有潜力辅助诊断。

　　目的：评估并比较 4 种基于非增强磁共振成像（MRI）的深度学习（DL）模型在鉴别卵巢肿瘤良恶性方面的能力，同时考虑诊断效能和相关开发成本。方法：这项回顾性研究纳入了 526 名患者（327 例良性病变和 199 例恶性病变），这些患者因疑似卵巢肿物被建议进行 MRI 检查，并经组织病理学确诊。构建了训练队列（n=367）和验证队列（n=159）。基于 T1 加权成像（T1WI）、T2 加权成像（T2WI）和扩散加权成像（DWI）图像，评估 4 种 DL 模型（ConvNeXt、FBNet、GhostNet、ResNet50）区分卵巢肿瘤良恶性的诊断性能。两名经验水平不同的放射科医生独立审查验证队列中所有原始非增强 MRI 图像，以判断每个病例是良性还是恶性。采用受试者工作特征曲线下面积（AUC）、混淆矩阵、准确率、灵敏度、特异度、阳性预测值（PPV）和阴性预测值（NPV）来比较模型性能。结果：对 526 名卵巢肿物患者（年龄 1 - 92 岁）的研究评估了 4 种 DL 模型预测恶性肿瘤的能力，AUC 范围为 0.8091 - 0.8572，准确率在 81.1% - 85.5% 之间。经验丰富的放射科医生准确率达到 86.2%，略高于 DL 模型，而经验较少的放射科医生准确率为 69.2%。ResNet50 具有最高的灵敏度（78.3%）和阴性预测值（87.3%），而 ConvNeXt 在特异度和阳性预测值（100%）方面表现出色。GhostNet 和 FBNet 比其他模型参数效率更高。结论：这 4 种 DL 模型能够利用非增强 MRI 有效区分卵巢肿瘤的良恶性。这些模型的表现优于经验较少的放射科医生，但准确性略低于经验丰富的医生。ResNet50 预测性能最佳，GhostNet 在参数较少的情况下准确性较高。该研究表明，基于非增强 MRI 的 DL 模型有辅助诊断的潜力。