卵巢癌（Ovarian Cancer，OC）是婦科惡性腫瘤，依據(jù)其細胞來源可分為上皮性卵巢癌（Epithelial Ovarian Cancer，EOC）和非上皮性卵巢癌。其中，EOC發(fā)病人數(shù)占原發(fā)OC的90%。EOC好發(fā)于中老年女性，其預后差，五年生存率僅為35%。與之相對地，交界性上皮性卵巢腫瘤（Borderline Epithelial Ovarian Tumors，BEOT）具有更低的惡性潛能和更好的預后，五年生存率可達92%。從治療方式來看，EOC患者需要腫瘤細胞減滅術，并輔以新輔助化療，而BEOT患者通?？蛇M行保守治療，保留患者的生育能力與卵巢功能。因此，術前準確地區(qū)分二者，對制定正確的治療方案、提升患者的術后生活質量十分重要。

目前術前鑒別BEOT與EOC主要由放射科醫(yī)生利用多參數(shù)MRI影像判斷，該方法依賴經驗、主觀性強、耗時且準確率不高。科研人員前期開發(fā)出一種基于影像組學的診斷方法，雖然診斷精度有所提升，但該方法需人工勾畫病灶區(qū)域，依然存在主觀、耗時等問題，臨床應用受限。近年來，人工智能技術在醫(yī)學影像智能診斷領域取得成功，其具有客觀、智能等優(yōu)點，可有效解決上述問題，但現(xiàn)有的基于人工智能的多模態(tài)醫(yī)學影像智能診斷存在不足：（1）未能充分挖掘不同模態(tài)影像間的內在聯(lián)系；（2）未能充分探索同一模態(tài)影像中不同掃描切片間的內在聯(lián)系。

為此，中國科學院蘇州生物醫(yī)學工程技術研究所研究員高欣團隊博士簡俊明創(chuàng)新性地提出一種基于模態(tài)注意力（Modality-based Attention，MA）模塊和上下文多示例池化層（Contextual MPL，C-MPL）的多示例卷積神經網絡MAC-Net（圖1）。MA模塊主要用于多參數(shù)MRI（多模態(tài)影像）融合，效仿臨床醫(yī)生，自適應地賦予各模態(tài)單獨的權重，從而生成更智能高效的多參數(shù)MRI表示。C-MPL用于掃描切片間空間關系的建模，當對某一掃描切片內重點區(qū)域進行預測時，會同步考慮相鄰連續(xù)多個掃描切片信息，實現(xiàn)單一模態(tài)影像中掃描切片間空間及內容相關關系利用率的提升。

研究表明，MAC-Net在BEOT和EOC鑒別問題上表現(xiàn)良好，準確率可達87.9%，優(yōu)于當前主流多示例卷積神經網絡模型。利用該方法，放射科醫(yī)生無需精確勾畫腫瘤邊界，只需要確定腫瘤區(qū)域的最上和最下層面位置，便可實現(xiàn)全自動分類模型構建及預測，具備較高的自動化和智能化。另外，MAC-Net具有較強的適配性能：（1）圖像適配性：MAC-Net可用于多參數(shù)MRI融合，并可延伸至多模態(tài)影像（如CT、PET等）融合；（2）疾病適配性：MAC-Net不僅適用于卵巢癌，還可拓展用于諸如肺癌、肝癌、腸癌、乳腺癌、前列腺癌等實體腫瘤的自動診斷中。

相關研究成果發(fā)表在Artificial Intelligence In Medicine上。研究工作得到國家自然科學基金委員會等的資助。

論文鏈接

MAC-Net網絡架構圖