近日，生物医学工程学院甄鑫教授团队与中山大学肿瘤防治中心刘继红教授团队，华中科技大学同济医学院附属同济医院高庆蕾教授团队，浙江大学医学院附属妇产科医院李晓教授团队合作开展了一项最新研究，研究针对卵巢癌目前早期诊断困难、缺乏有效生物学标志物的困境，研究者基于常规体检中的实验室检验构建了卵巢癌诊断人工智能融合模型，为卵巢癌提供了一种低成本、易获取且准确率高的辅助诊断工具，有望助力卵巢癌的精准防控及早期诊断。

卵巢癌是致死率最高的妇科恶性肿瘤，其5年生存率仅为40%。卵巢癌发病隐匿，无特异性的症状体征，超过一半的患者发现时已是晚期，是卵巢癌预后差的一个重要原因。临床上目前主要使用的卵巢癌标志物为糖类抗原125（CA125）和人附睾蛋白4 (HE4)，研究已证实其敏感性和特异性有限。总的来说，目前缺乏标志物能够实现卵巢癌的早期诊断并降低卵巢癌死亡率，亟需发展新的卵巢癌诊断标志物协助卵巢癌诊断走出困境。

常规实验室检验（包括血常规、生化检查、凝血检查、尿液检查等）是临床最常见的检查资料，也是体检中最常见的项目。既往研究已证明部分常见检验项目如血液中的白蛋白浓度、血小板计数、中性粒细胞计数等，与卵巢癌的诊断和预后显著相关，提示这些常规检验指标具有成为卵巢癌标志物的潜力。实验室检验已有标准化的检验方法，检验成本低，并已广泛运用于常规体检和各级医疗机构中。若能以这些检验作为标志物，可以广泛推广至各级体检、基层医疗组织，对提高体检及基层医疗机构卵巢癌诊断水平、改善疾病二级预防现状、及进一步改善卵巢癌患者预后具有重要意义。

在本研究中，研究者系统评估了常规实验室检验对卵巢癌的诊断价值，并开发了一项基于多项检验指标的卵巢癌人工智能辅助诊断模型。研究者共收集了中山大学肿瘤防治中心、华中科技大学同济医学院附属同济医院、浙江大学医学院附属妇产科医院超过1万例患者（卵巢癌及子宫附件良性病变/正常体检女性患者）的98 项实验室检查和临床特征，并基于人工智能融合方法构建了卵巢癌预测模型-MCF 模型。该模型最终纳入51 项实验室检验指标和年龄，其在内部验证集（3007例）和两个独立的外部验证集（5641 例和2344例）上的AUC 分别达0.949（95% CI 0.948-0.950）、0.882（0.880-0.885）和0.884（0.882-0.887）。研究结果显示，MCF 模型识别卵巢癌患者、特别是早期卵巢癌患者的AUC 和灵敏度显著高于传统卵巢癌标志物CA125、HE4 及两者联合。此外，MCF预测效果优于目前已被报道的7种卵巢癌预测人工智能模型。即使在CA125 和其他肿瘤标志物缺失的情况下，MCF模型使用剩下的常规检验项目和年龄，依然可以对卵巢癌的风险进行较准确的预测，提示MCF模型具有较好的稳定性，对真实世界数据具有较好的兼容性。

该研究为卵巢癌提供了一种低成本、易于获取且准确的人工智能辅助诊断工具——MCF模型。由于模型使用的所有特征均为常规实验室项目，故在常规体检或对妇科肿瘤经验有限的基层医疗机构中，该模型有望为卵巢癌的诊断提供宝贵且高效的决策帮助。本研究构建的MCF模型已封装为开源的卵巢癌预测工具（），输入相应实验室检验数据和年龄即可计算卵巢癌的风险值。此外，本研究发现除肿瘤标志物外，其他常规实验室检验如D-D二聚体、血小板计数等也对卵巢癌诊断预测有较大贡献，提示这些检验指标相关病理生理过程可能在卵巢癌的发展过程中发挥了积极作用，其潜在机制值得进一步探讨。

该研究在国际顶级学术期刊《柳叶刀·数字健康》（Lancet Digital Health）发表，题为“Artificial intelligence-based models enabling accurate diagnosis of ovarian cancer using laboratory tests in China: a multicentre, retrospective cohort study”。edf130壹定发生物医学工程学院甄鑫教授为共同通讯作者，2020级硕士研究生黄方俊为共同第一作者。