机器学习模型建立在成像方法的基础上以更好地检测卵巢病变

虽然卵巢癌是女性最致命的癌症类型，但只有大约20%的病例是早期发现的，因为没有针对它们的真正筛查测试，也没有什么症状可以提示它们。此外，卵巢病变很难准确诊断——非常困难，事实上，在接受手术切除病变并进行检测的女性中，超过80%没有癌症迹象。

华盛顿大学圣路易斯麦凯维工程学院生物医学工程EdwinH.Murty教授QuingZhu及其实验室成员已应用各种成像方法更准确地诊断卵巢癌。

现在，他们开发了一种新的机器学习融合模型，该模型利用卵巢病变的现有超声特征来训练模型，以根据光声断层扫描拍摄的重建图像识别病变是良性还是癌性。

机器学习传统上一直专注于单模态数据。最近的研究结果表明，多模态机器学习的性能优于单模态方法。在一项针对35名患者和600多个感兴趣区域的初步研究中，该模型的准确率为90%。

这是第一项增强用于癌症诊断的光声断层扫描重建的机器学习性能的超声研究。研究结果发表在Photoacoustics杂志的12月号上。

“现有方法主要基于卵巢病变的大小和形状，不能为早期卵巢癌提供准确诊断，也不能对大型附件/卵巢病变进行风险评估，”该学院放射学教授朱说。医学。“光声成像从血红蛋白浓度和血氧饱和度中添加了更多关于血管对比度的功能信息。”

Zhu实验室的博士生YunZou开发了一种新的机器学习融合模型，通过将超声神经网络与光声断层扫描神经网络相结合来进行卵巢病变诊断。

卵巢的癌性病变可以呈现出几种与超声不同的形态：一些是实性的，而另一些则在囊性病变内有乳头状突起，这使得它们更难诊断。为了改进超声的整体诊断，他们增加了光声成像的总血红蛋白浓度和血氧饱和度，这两者都是癌变卵巢组织的生物标志物。

“我们的结果表明，超声增强光声成像融合模型比其他方法更准确地重建了目标的总血红蛋白和血氧饱和度图，并改进了良性病变对卵巢癌的诊断，”邹说。