超声、CT、MRI一起看!AI卵巢癌术前评估,达到多学科专家水平

卵巢肿瘤的复杂之处在于，不同类型的影像表现可能相互重叠，一些良性病变看起来很复杂，部分恶性肿瘤早期又可能缺乏典型特征。单靠一种影像检查，很难完整描述肿瘤性质和扩散范围。

2026年6月发表于《npj Digital Medicine》的研究推出了OVUCM系统[1]，它把超声、CT和MRI放进同一套人工智能框架中，尝试一次完成多项卵巢癌术前预测任务。

来源：Nature

三模态影像各有价值

超声通常是卵巢肿块评估的第一站，它可以观察囊实性结构、乳头状突起、血流和盆腔积液，检查方便、成本相对较低。

CT更擅长评估肿瘤负荷和腹盆腔扩散情况，MRI对软组织的分辨能力更强，可以进一步分析肿瘤内部成分、出血、脂肪、纤维组织以及实性区域特征，帮助区分部分形态复杂的病变。

现实临床中，医生往往需要把三类影像放在一起讨论，复杂病例还需要妇科肿瘤、影像、超声、病理和外科等多个专业共同形成多学科团队意见。

OVUCM所做的，就是让AI学习这种跨影像整合的专家思维，把分散在三种影像中的信息统一起来。OVUCM采用中间融合策略，结合影像组学和机器学习分析三种影像。

来源：Nature

研究人员首先从超声、CT和MRI中提取与肿瘤形态、边界、内部纹理和信号分布有关的定量特征，不同模态的影像特征随后在模型中进行深度融合。

这种方法的优势是，模型可以主动学习不同影像之间的互补关系，单个征象未必足以判断，但多个模态组合后，就能形成更稳定的诊断模式。

五项任务同步完成

很多卵巢肿瘤AI只解决单一问题，例如判断良性还是恶性，OVUCM则同时完成五项术前核心任务：区分良性与非良性病变、区分交界性肿瘤与恶性肿瘤、区分非上皮性与上皮性肿瘤、区分FIGOⅠ—Ⅱ期与Ⅲ—Ⅳ期、区分非高级别浆液性卵巢癌与高级别浆液性卵巢癌。

来源：Nature

这五项任务覆盖了从基础性质判断，到组织学方向、分期和重要亚型识别的多个环节，对临床来说，这比只输出一个恶性概率更有价值，因为手术和治疗计划真正依赖的，是一组相互关联的判断，而不是一个孤立结论。

OVUCM使用一家肿瘤中心的1742名患者数据进行训练，并采用5×4嵌套交叉验证，以降低模型选择和性能评估中的偏差。

在内部研究中，五项任务的AUC介于0.847至0.929之间。研究团队随后又使用来自两家综合医院的150名患者进行外部验证，AUC介于0.833至0.974之间。

来源：Nature

外部验证非常重要，肿瘤中心和综合医院在患者构成、疾病复杂度、检查设备及影像质量上可能存在差异。OVUCM在两家综合医院维持较好表现，说明多模态融合框架具有一定泛化能力。

多学科团队诊断水平

研究将OVUCM与多学科团队共识和独立妇科医生的判断进行了比较，结果显示，OVUCM有四项达到与多学科团队共识相当的诊断水平，并在一项任务上超过多学科团队，与此同时，它在全部五项任务中都至少超过一名独立妇科医生。

它证明了在整合超声、CT和MRI信息这件事上，AI能够形成接近专家团队共识的结构化判断。这对基层医院尤其重要——OVUCM如果进一步完成前瞻性验证并进入临床，帮助医生识别需要尽快转诊到妇科肿瘤中心的患者，就可以缩小资源差距，让复杂病例更早进入正确治疗路径。

来源：Nature

从分别阅读走向联合决策

传统流程中，超声医生看超声，放射科医生看CT和MRI，妇科医生再综合报告，这个流程依赖不同专业之间充分沟通。

OVUCM展示了另一种可能：AI先在数据层面融合多种影像，把跨模态信息转化为五项临床任务结果，再由医生结合患者情况完成决策。

这类系统的价值不只是提高某一个指标，而是减少信息割裂，医生面对的不再是三份相互独立的报告，而是一个围绕临床问题组织起来的综合分析结果。

对医生而言，它有望减少多模态信息整合负担；对资源有限医院而言，它可能提供更接近专科团队的辅助能力；对患者而言，则意味着复杂卵巢肿瘤有机会更早获得准确分流和个体化治疗准备。