近日，中山大學腫瘤防治中心婦科教授劉繼紅團隊與南方醫科大學等機構的學者合作，針對卵巢癌目前早期診斷困難、缺乏有效腫瘤標志物的問題，基于常規體檢中的實驗室檢驗，構建了卵巢癌診斷人工智能融合模型，提供了一種低成本、易獲取、高準確率的卵巢癌輔助診斷工具。相關成果發表于《柳葉刀-數字健康》。

該研究收集了中山大學腫瘤防治中心、華中科技大學同濟醫學院附屬同濟醫院、浙江大學醫學院附屬婦產科醫院超1萬名女性的98項實驗室檢查結果，并基于團隊自主研發的人工智能融合框架——MCDM框架，融合20個基分類模型，構建了卵巢癌預測模型——MCF模型，最終納入51項實驗室檢驗指標和年齡指標。其在內部驗證集和兩個獨立的外部驗證集上的AUC（ROC曲線下面積）分別達0.949、0.882和0.884。

研究結果顯示，MCF模型識別卵巢癌患者，特別是早期卵巢癌患者的準確度和靈敏度顯著高于傳統卵巢癌標志物，且在部分指標缺失的人群中依然能對卵巢癌風險作出較準確的預測，提示MCF模型具有較好的穩定性，并對真實世界數據具有較好的兼容性。

該研究構建的MCF模型已封裝為開源的卵巢癌預測工具，輸入相應實驗室檢驗數據和年齡即可計算患卵巢癌的風險值。由于模型使用的所有特征均為常規實驗室項目，故在體檢機構或對婦科腫瘤診治經驗有限的基層醫療機構中，該模型可為卵巢癌的診斷提供寶貴且高效的決策幫助。

該研究還發現，除腫瘤標志物外，其他常規實驗室檢驗指標，如D-D二聚體、血小板計數等，也對卵巢癌診斷預測有較大貢獻，提示這些檢驗指標相關病理生理過程可能在卵巢癌的發展過程中發揮了重要作用，其潛在機制值得進一步探討。

相關論文信息：https://doi.org/10.1016/S2589-7500(23)00245-5

原文鏈接：https://news.sciencenet.cn/sbhtmlnews/2024/1/377998.shtm?id=377998