使用术前增强对比CT影像，人工智能检测上皮性卵巢癌腹膜及小肠播散的诊断表现

为何发现隐匿性播散至关重要

对于卵巢癌女性患者，术前医生在腹腔内所见可能决定一台手术是治愈性的，还是即便是大范围切除也仍会留下肿瘤。覆盖腹膜和小肠表面的微小肿瘤灶尤其棘手。常规影像很难识别这些微小沉积，但它们会妨碍外科医生安全地实现完全切除。本研究探讨人工智能（AI）能否比肉眼更有效地解读标准增强对比CT，以发现这些隐匿性播散，从而指引更安全、更聪明的治疗方案。

卵巢癌如何悄然播散

上皮性卵巢癌常常在被注意到之前已在腹腔播下许多小肿瘤点。这些沉积物可以铺满腹腔内膜及器官表面，包括脆弱的小肠袢。当肿瘤负荷很高或累及关键部位时，即便经广泛手术，外科医生也可能无法切除所有可见病灶。而生存率在无残留肿瘤时最高。如今，医生依赖CT来估计癌症的扩散范围，但检测微小病灶——尤其是在不断移动、折叠的小肠上——很困难。在某些情况下，外科医生不得不先行探查性手术，才能决定是否可以进行完全残除手术。

教会电脑“读”影像

研究团队收集了两家医院227名接受卵巢、输卵管或原发性腹膜癌治疗的女性的增强对比CT影像，共得到254套扫描。对于每位患者，他们基于手术结果知道腹膜及小肠是否存在肿瘤播散。以这些真实世界的结果作为“答案”，作者训练了两套深度学习系统。一套称为P-Model，学习判断腹膜面是否总体存在肿瘤沉积；另一套称为SB-Model，专注于小肠相关的播散。两者均基于适合医学影像的小型神经网络结构构建，并在不同患者组合中反复训练和测试，以检验其性能的稳定性。

AI的实际表现如何

在未见过的影像上测试时，AI显示出有希望的准确性。对于总体腹膜播散，P-Model约能正确识别三分之二到四分之三的病例，敏感性约为三分之二，特异性高于五分之四。换言之，它漏诊了一些阳性病例，但误报较少。小肠模型表现更佳：SB-Model能正确分类超过五分之四的患者，约捕捉到86%的小肠累及病例，同时仍能对约77%无累及的患者给出正确的阴性判断。这一敏感性水平显著高于早期研究中常规CT阅读报道的有限表现，后者常常漏检微小的肠道沉积。

电脑何时难以胜任

研究者还考察了AI表现不佳的情况，定义为对某位患者的判断正确率不超过四分之一。有趣的是，人类放射科医师在许多相同病例中也遇到困难，表明某些影像模式本质上难以解释。团队发现，当腹腔内大量积液且血液中的肿瘤标志物非常高时，AI倾向于高估播散；而当肿瘤负荷和积液量较低时，它有时会低估病情。此类模式暗示系统可能过度依赖诸如肠周围液体等视觉线索，而这些线索并不总是与实际肿瘤数量直接对应。

这对患者护理可能意味着什么

尽管存在局限性，研究表明AI在解读普通CT时可以显著改善对细微肿瘤播散的检测，特别是在放射科医师目前最不自信的小肠区域。如果进一步验证和改进，这类工具可帮助医生更准确地决定哪些患者可能从积极的首次手术中受益，哪些患者可能在术前先行化疗更为合适。作者强调，AI不会取代专家判断或在所有情况下替代探查性手术，但它可以成为一双有力的辅助之眼，将现有影像转化为更可靠的复杂癌症手术导航图。

引用: Kim, R., Seki, T., Noda, K. et al. Diagnostic performance of artificial intelligence for detecting peritoneal and small bowel dissemination in epithelial ovarian cancer using preoperative contrast-enhanced CT imaging. Sci Rep 16, 8739 (2026). https://doi.org/10.1038/s41598-026-41728-4

关键词: 卵巢癌, 人工智能, CT影像, 腹膜转移, 小肠播散