多任务深度学习在转移性卵巢癌自动图像分割与治疗反应评估中的突破性应用

　　本研究针对高级别浆液性卵巢癌(HGSOC)异质性高、治疗反应评估困难等临床挑战，开发了基于双U-Net架构的多任务深度学习模型，实现了盆腔/卵巢与网膜病灶的同步分割(盆腔DSC 0.56±0.12，网膜DSC 0.45±0.67)及化疗反应预测(AUC 0.78)。该研究首次证明多任务学习在复杂多病灶HGSOC治疗监测中的可行性，为精准医疗提供了自动化评估工具。

　　

卵巢癌被称为妇科肿瘤中的"沉默杀手"，其中高级别浆液性卵巢癌(HGSOC)占所有病例的70%，确诊时往往已发生广泛转移。这类肿瘤具有惊人的空间异质性——就像同一患者体内存在多个不同"亚型"的肿瘤，有些病灶对化疗敏感，有些却顽固抵抗。更棘手的是，当前临床依赖的RECIST 1.1评估标准仅测量病灶直径变化，既无法捕捉三维形态改变，又难以应对多达数十处的转移灶评估。放射科医生需要耗费数小时手动标注单个扫描图像，这种低效流程使得全面评估在临床实践中几乎不可能实现。

为突破这一困境，由Bevis Drury、Inês P. Machado等跨国团队在《International Journal of Computer Assisted Radiology and Surgery》发表的研究，创新性地将病灶分割与疗效预测整合到统一框架。研究采用来自英国两家医疗中心的148例患者数据(99例训练，49例独立测试)，通过双U-Net架构同步处理治疗前后的对比增强CT(CE-CT)图像。模型不仅自动勾画病灶轮廓，还通过特征图差异分析预测化疗反应，最终在保持分割精度的同时，实现了优于传统方法的预测性能。

关键技术方法包括：1) 采用参数共享的Siamese双U-Net处理治疗前后扫描；2) 通过深度卷积整合三个网络层次的特征(中间收缩层、U-Net底层及组合模块层)；3) 使用加权损失函数平衡分割与分类任务(λ₁=1，λ₂=0.2)；4) 应用刚性配准确保图像空间对齐；5) 采用梯度加权类激活图(Grad-CAM)可视化决策依据。数据来源于剑桥大学医院OV04研究(n=99)和巴茨健康NHS信托(n=49)的前瞻性队列。

【模型性能】

分割性能：盆腔病灶Dice相似系数(DSC)达0.56±0.12，网膜病灶0.45±0.67，虽略低于专用分割模型OvSeg(盆腔0.71，网膜0.61)，但兼顾了反应预测功能。图2展示的预测示例显示，模型能准确识别化疗敏感病灶的形态变化。

【反应预测】

预测效能：在独立测试集达到AUC 0.78(95%CI 0.70-0.91)，对化疗响应者识别灵敏度达88%。Grad-CAM热图显示模型重点关注病灶体积变化区域，这与临床评估逻辑一致。值得注意的是，模型对非响应者的特异性(64%)较低，反映稳定病灶的微细变化识别仍是挑战。

【结论与意义】

该研究首次证明多任务深度学习可同步解决HGSOC两大核心难题：1) 实现多部位转移灶的自动化三维评估，摆脱RECIST二维测量的局限；2) 通过纵向特征比对预测治疗反应，为临床决策提供量化依据。尽管当前分割精度有待提升(特别是网膜病灶)，但该框架展现出作为手术规划辅助工具的潜力——例如避免对化疗无响应患者的手术延误。未来通过纳入更多转移部位(如肝周、肠系膜)和整合CA125等生物标志物，有望建立更全面的评估体系。这项技术突破为复杂肿瘤的精准评估开辟了新途径，其多任务整合思路也可拓展至其他转移性癌症的研究。