打开文本图片集

摘要：目的：探讨基于人工智能的CT图像分割技术在盆腔占位诊疗中的应用价值。方法：收集在2022.1-2022.12盆腔包块患者107例的增强CT数据集，使用本团队前期研发的基于人工智能的CT自动分割技术术前分析107例患者盆腔包块良恶性性质，与传统影像学医生读片报告对比，以患者术后病理检查结果为金标准，比较两者的灵敏性、特异性及准确率。结果：107例患者中，准确诊断80例，诊疗成功率为74.77%。基于人工智能的CT图像分割技术的灵敏性为94.44%（85/90），特异性为82.35%（14/17），准确性为92.52%（99/107），阳性预测值为96.59%（85/88），阴性预测值为73.68%（14/19）。结论：本团队前期研发的基于人工智能的CT图像分割技术在盆腔包块良恶性诊疗中xxx性均优于传统影像学医生读片报告，具有良好的应用价值和研究前景。

关键词：盆腔包块；人工智能；图像分割技术；CT图像；智能诊疗

本团队前期研发了一项“卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统”（专利号ZL 202210602872.X），对盆腔包块及其周围组织原始CT数据集进行智能分析，对包块的良恶性进行鉴别，与传统影像学医生读片报告对比，来评估其在盆腔包块良恶鉴别的临床应用价值。

1资料与方法

1.1一般资料

收集在2022.1-2022.12盆腔包块患者107例的增强CT数据集，使用本团队前期研发的的“卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统进行分析，将术后病理结果作为金标准。纳入患者需满足以下条件：1.该患者彩超提示盆腹腔包块且已完善增强CT；2.同意参与该临床试验，并签署相关知情同意书。

1.2 方法

本团队前期研发了一项“卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统”（专利号ZL 202210602872.X），对盆腔包块及其周围组织原始CT数据集进行智能分析，对包块的良恶性进行鉴别，与传统影像学医生读片报告对比，

收集在2022.1-2022.12盆腔包块患者107例的增强CT数据集，使用本团队前期研发的基于人工智能的CT自动分割技术术前分析107例患者盆腔包块良恶性性质，与传统影像学医生读片报告对比，以患者术后病理检查结果为金标准，比较两者的灵敏性、特异性及准确率。

1.2.1 扫描范围

全腹（包括盆腔）增强扫描。

1.2.2 实施方案

1.由病理科医生读片，并初步判定包块良恶性；2.将患者盆腹腔增强CT图像输入到团队前期研发的“卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统”中，判断出图片的良恶性；3.通过约登指数最大法求出，当约登指数为0.769时模型获得最好的预测效能，此时单个病例判定为恶性病例的恶性图片占比阈值为34%。

1.3 观察指标

术前诊断和术后诊断的一致性。以术后确诊为金标准。

2结果

107例患者中，准确诊断80例，诊疗成功率为74.77%。基于人工智能的CT图像分割技术的灵敏性为94.44%（85/90），特异性为82.35%（14/17），准确性为92.52%（99/107），阳性预测值为96.59%（85/88），阴性预测值为73.68%（14/19）

2.1 107例患者的诊疗效果分析

107例患者中，诊疗成功80例，诊疗成功率为74.77%。

2.2 107例患者的应用价值分析

107例患者中，术后确诊阳性90例，阴性17例；基于人工智能的CT图像分割技术阳性88例，阴性19例。以术后确诊为金标准，基于人工智能的CT图像分割技术的灵敏性为94.44%（85/90），特异性为82.35%（14/17），准确性为92.52%（99/107），阳性预测值为96.59%（85/88），阴性预测值为73.68%（14/19）。见表1。

3讨论

目前基于人工智能的图像自动分割技术在我国妇产科领域的研究和应用尚处于起步阶段，故本团队前期利用最新的人工智能中机器学习模型，根据盆腔包块患者全腹增强CT图像中包块、腹腔脏器、组织、血管的不同CT值，对包块及其周围组织原始CT数据集进行精确提取，以此研发的“卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统”，实现基于人工智能的CT图像自动分割技术应用于临床工作中盆腔包块来源判定、良恶性质鉴别、精细化术前评估和可能涉及多学科协作的手术规划，以降低人为诊断的主观差异性，减轻影像科医师工作负担，提高诊断效率，实现盆腔包块的个体化精准医疗[4]。

盆腔包块是一种常见的妇科疾病。流行病学显示，附件包块可见于从胎儿至老年的所有年龄段女性，且有多种类型。处理取决于包块的类型、症状出现的紧急程度以及恶性肿瘤的疑似程度，故评

估的目标是确定最可能的肿块病因[1]。该过程通常十分棘手，临床工作中最为重要的是对发现的盆腔包块进行分流，将急症与可疑恶性的先分流出来积极处理，而对于生理性或良性肿瘤则根据患者年龄及生育要求等综合考虑制定治疗方案[2]。由于临床工作中准确评估实施困难，导致了一部分卵巢生理性包块、良性包块接受了过度医疗，而一部分卵巢恶性肿瘤由于临床表现缺乏特异性，早期诊断困难，耽误了病情诊治[3]。因此，精确的评估盆腔包块的性质对规划进一步诊治方案具有重要的临床意义。

本研究通过机器学习优化算法，实现基于人工智能的CT图像自动分割技术应用于临床工作中盆腔包块来源判定、良恶性质鉴别、精细化术前评估和可能涉及多学科协作的手术规划，以降低人为诊断的主观差异性，减轻影像科医师工作负担，提高诊断效率，实现盆腔包块的个体化精准医疗。结果表明，107例患者中，诊疗成功80例，诊疗成功率为74.77%。基于人工智能的CT图像分割技术的灵敏性为94.44%（85/90），特异性为82.35%（14/17），准确性为92.52%（99/107），阳性预测值为96.59%（85/88），阴性预测值为73.68%（14/19），和相关医学研究结果一致[5-6]，说明将信息医学、人工智能、机器学习整合到妇产科临床应用中，借助计算机的技术提高影像学诊断的精确性和稳定性。

结论

本团队前期研发了一项“卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统”（专利号ZL 202210602872.X），对盆腔包块及其周围组织原始CT数据集进行智能分析，对包块的良恶性进行鉴别，与传统影像学医生读片报告对比，来评估其在盆腔包块良恶鉴别的临床应用价值。

本团队前期研发的基于人工智能的CT图像分割技术在盆腔包块良恶性诊疗中xxx性均优于传统影像学医生读片报告，具有良好的应用价值和研究前景。

综上所述，本团队前期研发的基于人工智能的CT图像分割技术在盆腔包块良恶性诊疗中xx

x性均优于传统影像学医生读片报告，具有良好的应用价值和研究前景，为卵巢包块的早诊断早治疗提供新的思路和方法。

参考文献：

[1]任莉. MRI与CT对女性盆腔囊性及囊实性占位病变的诊断应用与价值分析[J]. 影像研究与医学应用，2022，6（10）：130-132.

[2]汤文善. 探讨女性盆腔囊性占位病变的CT影像表现与特征分析[J]. 现代医用影像学，2019，28（6）：1318-1320.

[3]张进，石太峰，侯卓，等. 盆腔子宫内膜异位症的CT、MRI诊断及误诊分析[J]. 影像研究与医学应用，2021，5（23）：123-124.

[4]张必全. CT、MRI诊断盆腔子宫内膜异位症的准确情况及误诊情况分析[J]. 影像研究与医学应用，2020，4（3）：221-222.

[5]袁翠平，钟元，崔延安. 盆腔多发性子宫内膜异位囊肿CT及MRI诊断价值研究[J]. 交通医学，2021，35（3）：293-295.

[6]周会，张鹏，冉慕光，等. 腹盆部巨大占位性病变的临床及影像诊断[J]. 现代医用影像学，2022，31（9）：1638-1641.

课题编号：21YFZJZC0015

【基金项目】四川省科技厅重点研发项目（编号：2022YFS0087）;四川省人民医院临床研究基转化基金（编号：2021LY24）;电子科技大学横向项目（编号：2021HX007）

通讯作者  梅劼