虽然卵巢癌是女性最致命的癌症类型，但只有大约20%的病例是早期发现的，因为没有真正的筛查测试，也很少有症状提示它们。此外，卵巢病变很难准确诊断 - 非常困难，事实上，超过80%接受手术切除和测试病变的女性没有癌症的迹象。

圣路易斯麦凯维工程学院华盛顿大学生物医学工程教授Quing Zhu和她的实验室成员应用了各种成像方法来更准确地诊断卵巢癌。

现在，他们开发了一种新的机器学习融合模型，该模型利用卵巢病变的现有超声特征来训练模型，以从用光声断层扫描拍摄的重建图像中识别病变是良性还是癌变。

机器学习传统上一直专注于单模态数据。最近的研究结果表明，多模态机器学习的性能比单模态方法更强大。在一项针对 35 名患者、600 多个感兴趣区域的试点研究中，该模型的准确率为 90%。

这是第一个提高光声断层扫描重建用于癌症诊断的机器学习性能的超声研究。研究结果发表在《光声学》杂志的12月刊上。

“现有的模式主要基于卵巢病变的大小和形状，这不能为早期卵巢癌和大附件/卵巢病变的风险评估提供准确的诊断，”朱说，也是医学院放射学教授。“光声成像增加了更多关于血红蛋白浓度和血氧饱和度的血管对比的功能信息。

Zhu实验室的博士生Yun Zou通过将超声神经网络与光声断层扫描神经网络相结合来进行卵巢病变诊断，从而开发了一种新的机器学习融合模型。

卵巢的癌性病变可以以超声的几种不同形态出现：有些是实心的，有些在囊性病变内有状突起，使它们更难诊断。为了改善超声的整体诊断，他们添加了光声成像的总血红蛋白浓度和血液氧合饱和度，这两者都是癌性卵巢组织的生物标志物。

“我们的结果表明，超声增强光声成像融合模型比其他方法更准确地重建了目标的总血红蛋白和血氧饱和度图，并改善了良性病变卵巢癌的诊断，”邹说。