基于深度学习的卵巢附件肿块超声O-RADS分类的自动判读与风险分层研究综述.docVIP

基于深度学习的卵巢附件肿块超声O-RADS分类的自动判读与风险分层研究综述

一、卵巢附件肿块超声评估与O-RADS分类的临床背景

卵巢附件肿块是妇科临床最常见的异常发现之一，涵盖从生理性囊肿、良性肿瘤到恶性上皮性癌、生殖细胞肿瘤等广泛病理类型。全球范围内卵巢癌年新发病例超过30万，因缺乏早期特异性症状，70%患者确诊时已处于晚期，5年生存率不足40%，是死亡率最高的妇科恶性肿瘤。超声检查因无创、无辐射、实时动态、成本低廉等优势，是附件肿块首选筛查与评估手段，但诊断准确性高度依赖操作医师经验，不同年资医师诊断一致性仅为62%~85%，对早期小体积恶性肿块、不典型良性肿块的鉴别误诊率可达30%以上。

为规范附件肿块超声报告术语、提升诊断一致性、指导临床分层管理，2018年美国放射学会（ACR）正式发布卵巢影像报告和数据系统（O-RADS），将附件肿块根据超声特征分为0~6类，对应不同恶性风险及临床处理路径：O-RADS0（评估不完全，恶性风险未知）需补充检查；O-RADS1（正常卵巢，恶性风险0.01%）无需后续随访；O-RADS2（典型良性病变，恶性风险1%）可年度随访；O-RADS3（低风险可疑，恶性风险1%~10%）建议短期随访或结合肿瘤标志物评估；O-RADS4（中等风险可疑，恶性风险10%~50%）建议多学科会诊或手术评估；O-RADS5（高度可疑恶性，恶性风险≥