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

尽管卵巢癌是女性最致命的癌症类型，但只有约20%的病例在早期被发现，因为没有真正的筛查测试，而且很少有症状引发卵巢癌。此外，卵巢病变很难准确诊断——如此之难，以至于在接受切除病变并进行检测的手术的女性中，80%以上没有癌症的迹象。

华盛顿大学圣路易斯麦凯维工程学院生物医学工程埃德温·h·默蒂教授朱青(qing Zhu)和她的实验室成员应用了多种成像方法来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，利用卵巢病变现有的超声特征，训练该模型从卵巢病变的重建图像中识别病变是良性还是恶性光声层析成像．

传统上，机器学习一直专注于单一模态数据。最近的研究表明，多模态机器学习在性能上比单模态方法更稳健。在一个试点研究在有超过600个感兴趣区域的35名患者中，该模型的准确性为90%。

这是第一个利用超声来提高光声断层成像重建机器学习性能的研究癌症诊断．研究结果发表在该杂志2022年12月号上造影．

“现有的方法主要是基于卵巢病变的大小和形状，这不能提供早期的准确诊断卵巢癌以及大型附件/卵巢病变的风险评估，”朱教授说，他也是医学院的放射学教授。“光声成像从血红蛋白浓度和血管对比中增加了更多的功能信息血氧饱和度．"

邹云(音译)是朱教授实验室的一名博士生，他将超声神经网络与光声断层扫描相结合，开发了一种新的机器学习融合模型神经网络进行卵巢病变的诊断。

卵巢癌变可以通过超声表现出几种不同的形态:有些是实性的，有些在囊性病变内有乳头状突起，这使得诊断更加困难。为了提高超声诊断的整体水平，他们增加了总血红蛋白浓度光声成像的血氧饱和度，两者都是卵巢癌组织的生物标志物。

邹教授说:“我们的研究结果表明，超声增强光声成像融合模型比其他方法更准确地重建了靶点的总血红蛋白和血氧饱和度图，并改善了良性病变卵巢癌的诊断。”