★期刊：International Journal of Surgery（IF10.3/1区）★题目：CT深度学习放射学和基因组学用于预测上皮性卵巢癌分期
★创新点：该研究首次构建并验证了一个整合 CT影像组学、深度学习特征及临床特征的多模态模型，不仅实现了对上皮性卵巢癌分期的高精度无创预测，还通过转录组学分析揭示了影像特征背后的免疫浸润生物学意义 。概述
本研究在《International Journal of Surgery》发表了针对上皮性卵巢癌精准分期的多模态AI预测模型，通过融合CT影像组学、深度学习特征与临床生物标志物，实现了AUC高达0.913的术前无创评估效能；同时，研究结合转录组学揭示了影像特征背后的免疫微环境差异（晚期患者免疫浸润更高），并开发了简便易用的列线图工具，为临床制定个性化减瘤手术方案提供了可靠的数字化依据 。
上皮性卵巢癌（EOC）是女性生殖系统中最致命的恶性肿瘤之一。由于其早期症状不典型且缺乏有效的筛查手段，约 70% 的患者在确诊时已处于晚期（FIGO III期或IV期），导致预后极差。
准确的术前分期对于制定治疗方案至关重要：
虽然 CT 是临床分期的首选方案，但常规影像学评估难以挖掘图像深层的异质性信息。
影像组学（Radiomics）： 能够从医学图像中提取高通量特征，量化肿瘤的异质性。
深度学习（Deep Learning）： 自动提取复杂的图像特征，弥补了人工定义特征的不足。
基因组学（Genomics）： 肿瘤的宏观影像表现与其微观层面的基因表达和肿瘤微环境（TME）密切相关。
目前尚缺乏一种将 CT 影像组学、深度学习特征与转录组学（基因数据） 结合起来的综合模型。因此，本研究旨在开发一种多模态模型，通过无创的方式提高术前分期预测的准确性，并深入探讨影像特征背后的生物学机制（如免疫浸润水平）。
研究共纳入了 285 名 经组织病理学证实的上皮性卵巢癌（EOC）患者 ：
三中心临床数据集（n=201）： 来自三家不同医院的患者，按 8:2 的比例随机分为：
训练集 (Training set)： 160 名患者，用于构建模型 。
内部验证集 (Internal validation set)： 41 名患者，用于模型效能的初步测试 。
外部验证数据集 (n=84)： 数据来源于 TCGA（癌症基因组图谱） 和 TCIA（癌症影像档案），用于评估模型的泛化能力 。
研究使用了患者术前的增强 CT 图像 。
收集了患者的基线临床资料，包括：
影像组学特征 (Radiomics)：通过 Pyradiomics 提取了 1130个 特征，涵盖形状、一阶统计学及多种纹理矩阵（如 GLRLM） 。
深度学习特征 (DL)：利用 ResNet18 网络，从最后一个全连接层提取了 512个 高维深度学习特征 。
临床及语义特征 (CS)：包括年龄、绝经状态、肿瘤标记物（CA125、铁蛋白等）以及放射科医生评估的语义特征（如腹水、边界、形态） 。
模型评估：利用 ROC 曲线（AUC 值）、校准曲线（Calibration Curve）和决策曲线（DCA）评估预测效能和临床获益 。
可视化工具：基于筛选出的关键变量（CA125、铁蛋白、Radiomics 评分、DL 评分）开发了列线图 (Nomogram)，便于临床直接计算 。
利用 76 名患者的 RNA 测序数据进行功能富集分析 (KEGG) 和免疫浸润分析，探讨影像特征与免疫微环境（如树突状细胞、巨噬细胞浸润水平）的相关性 。
图1、研究设计流程图
研究构建了五种模型，其中综合模型（Combined model）的表现最为出色，能够高精度地预测上皮性卵巢癌（EOC）的分期 ：
图2、DL模型在预测EOC分期中的性能评估
图3、合并模型在训练集和验证集中的诊断性能
图4、DLR命名图及其校准曲线用于预测EOC分期
研究通过转录组学分析揭示了影像特征背后的生物学意义 ：
免疫浸润差异： 晚期（advanced-stage）EOC 组的免疫浸润水平显著高于早期（early-stage）组 。
关键细胞： 特别是活化的树突状细胞（Activated dendritic cells），其富集分数与影像组学特征表现出高度相关性 。
基因表达： 研究识别出 4730个 与癌症分期相关的差异表达基因（DEGs），这些基因主要涉及核糖核蛋白复合物生物合成、病毒感染和辐射反应等通路 。
图5、利用癌症影像档案馆的RNA测序数据分析了与FIGO分期及基于放射学特征的免疫细胞肿瘤浸润评估相关的差异基因表达
该综合模型不仅实现了高效的术前无创分期预测，还为卵巢癌的异质性和免疫微环境提供了分子层面的解释，为个性化治疗策略的制定提供了可靠依据 。
这份研究发表于外科领域顶级期刊《International Journal of Surgery》，通过整合CT影像组学（Radiomics）、深度学习（DL）特征与临床生物标志物（如CA125、铁蛋白），构建了一个高效的术前无创评估模型，在预测上皮性卵巢癌分期方面展现了卓越性能（AUC最高达0.913）；同时，研究结合转录组学（Genomics）揭示了影像特征背后的生物学机制，发现晚期患者具有更高的免疫浸润水平，并最终开发出直观的列线图（Nomogram）工具，为临床制定个性化的初次肿瘤细胞减灭术方案提供了科学、无创的数字化决策依据。
本研究原文链接：https://journals.lww.com/international-journal-of-surgery/fulltext/9900/ct_deep_learning_radiomics_and_genomics_for.4441.aspx
为了帮助大家更系统地掌握 “影像组学 + 深度学习 + 多组学” 在卵巢癌中的前沿进展，我们梳理了该领域的 5 篇核心里程碑文献，构建了从“临床分期”到“分子分型”再到“生存预后”的全方位知识地图。
📍 模块一：精准分期与临床决策
作为治疗起点的 FIGO 分期，AI 如何实现术前无创评估？
多中心验证模型：
Contrast-enhanced CT radiomics for preoperative prediction of stage in epithelial ovarian cancer: a multicenter study
核心价值： 验证了增强 CT 影像组学在多中心数据下的稳定性。
原文网址：
https://link.springer.com/article/10.1186/s12885-024-12037-8
📍 模块二：多模态数据融合与风险分层
如何整合“影像 + 临床 + 基因”打破数据孤岛？
多模态集成基石：
Multimodal data integration using machine learning improves risk stratification of high-grade serous ovarian cancer
核心价值： 探索了机器学习如何整合异构数据实现精准风险分层。
原文网址：
https://www.nature.com/articles/s43018-022-00388-9
📍 模块三：影像基因组学 (Radiogenomics) 与生物标志物
CT 影像能否“看到”背后的基因突变与免疫微环境？
BRCA 突变预测：
CT-Based Radiomics and Deep Learning for BRCA Mutation and Progression-Free Survival Prediction in Ovarian Cancer Using a Multicentric Dataset
核心价值： 实现了术前通过影像预测 BRCA 基因状态的突破。
原文网址：
https://www.mdpi.com/2072-6694/14/11/2739?
CD38 表达与免疫预测：
CT-based radiomics predicts CD38 expression and indirectly reflects clinical prognosis in epithelial ovarian cancer
核心价值： 揭示影像特征与免疫标志物 CD38 之间的强关联性。
原文网址：
https://www.cell.com/heliyon/fulltext/S2405-8440(24)08941-2?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS2405844024089412%3Fshowall%3Dtrue
📍 模块四：预后评估与生存预测
如何利用 AI 评估患者的长效生存获益？
CCR5 与生存预测：
CT-based machine learning radiomics predicts CCR5 expression level and survival in ovarian cancer
核心价值： 建立了基于 CCR5 表达水平的影像组学预后评分系统。
原文网址：
https://link.springer.com/article/10.1186/s13048-022-01089-8?
本期前沿研究解读就到这里。我们团队长期深耕医疗 AI 的科研转化与临床应用，现正广纳志同道合的科研人才、技术骨干。
若你也渴望参与优质科研项目与临床转化工作，欢迎将个人简历发送至邮箱libingli@wiseyoung.cn，期待与你携手推进医疗 AI 领域的创新突破！
如果你也对数字病理、深度学习、单细胞空间分析等前沿科研感兴趣，却苦于找不到系统的学习资源或同行交流，欢迎加入我们的「知识星球」！
在这里，我们会深度拆解顶级顶刊（如本篇研究）的底层算法逻辑，分享最新的模型代码实现，并提供海量科研绘图素材与写作模板。无论你是临床医生还是理工科背景，都能在这里找到精准的科研进阶路径。
随着 AI 技术与各式场景的深度融合，赛道已进入快速发展期。我们团队核心科研 Agent 产品完成内测迭代，即将正式推向市场，现面向全国启动多维度合作招募，诚邀具备科研场景资源、市场运营能力的合作伙伴，携手布局 AI + 科研产品生态
一、招募岗位 & 核心要求
1. 科研 Agent 内测体验官
我们需要你：
- 医学生、科研工作者、高校教师或科研服务从业者优先；
- 愿意深度体验我们的科研 Agent 产品，反馈真实使用感受与优化建议；
- 对 AI + 科研工具（文献检索、数据处理、报告撰写等）有使用需求或兴趣。
你将获得：
- 优先免费解锁科研 Agent 全功能内测权限，提前体验 AI 赋能科研的高效；
- 直接对接产品研发团队，你的建议将影响产品迭代方向；
- 内测合格后，可优先升级为城市代理或校园合伙人，享受专属合作权益。
2. 城市代理合伙人
我们需要你：
- 熟悉当地科研服务市场（高校、科研院所、医院等渠道资源优先）；
你将获得：
- 企业背书 + 产品全套培训支持（市场推广方案、产品使用教程）；
3. 校园合伙人
我们需要你：
- 高校在读研究生、博士生或青年教师，熟悉校园科研生态；
- 活跃于科研社群、学生会或实验室，具备一定的校园推广能力；
你将获得：
- 免费获得科研 Agent 会员权限，助力个人科研工作；
二、我们的核心优势
- 产品硬实力：AI 驱动的科研 Agent 工具，覆盖文献检索、数据可视化、报告撰写等全科研流程，解决科研人 “效率低、流程繁” 的核心痛点；
- 政策红利：AI 科研工具相关收费标准已逐步落地，市场需求持续增长，盈利路径清晰；
- 全方位支持：提供产品培训、营销物料、客户对接指导，无需经验也能快速上手；
- 灵活合作模式：无高额加盟费，根据个人资源与精力选择合作方式，多劳多得。
三、申请方式
请将个人简历（注明岗位+ 所在城市 /高校）发送至企业邮箱：libingli@wiseyoung.cn；
邮件主题格式：【科研 Agent 合作申请】- 岗位名称 - 姓名 - 联系方式；
我们将在 3 个工作日内完成简历筛选，通过者将电话沟通合作细节，发放相应合作权益。
AI赛道的黄金机遇，从来留给敢行动的人。
无论你是想抢先体验高效科研工具，还是想借助风口拓展事业，这里都有适合你的舞台！
请跳转至我们的公众号——“炬科未尔AI可穿戴设备”
10个月宝宝每天需要喝多少奶粉？
