Τεχνητή νοημοσύνη και γυναικολογικό υπερηχογράφημα

Abstract

BACKROUND: Preoperative discrimination between benign, malignant, and borderline ovarian tumors remains a major clinical challenge, as it directly influences therapeutic planning and patient prognosis. The aim of this study was to develop and evaluate an artificial intelligence–based system for automated classification of ovarian masses using ultrasound images. MATERIALS AND METHODS: This retrospective diagnostic accuracy study was conducted in two sequential phases. In phase I, a binary classification model (benign vs malignant) based on convolutional neural networks was developed. In phase II, the system was extended to a three-class classification framework (benign, malignant, borderline ovarian tumors), incorporating synthetic data augmentation using generative adversarial networks to address class imbalance. All images underwent anonymization, normalization, and data augmentation prior to model training. RESULTS: Model performance was assessed using accuracy, sensitivity, specificity, receiver operating characteristic curves, and area under the curve (AUC) across multiple decision thresholds, with validation performed through k-fold cross-validation. The system demonstrated high diagnostic performance, achieving AUC values up to 0.96 for benign lesions, 0.94 for malignant lesions, and 0.91 for borderline tumors. Transitioning from binary to multiclass classification combined with synthetic data generation resulted in measurable and consistent performance improvement, particularly for borderline ovarian tumors. CONCLUSIONS: The proposed artificial intelligence model demonstrates high classification accuracy and has the potential to function as a clinical decision support tool for the evaluation of ovarian masses using ultrasound images. Integration of such technologies into clinical practice may enhance diagnostic accuracy, reduce operator dependence, and contribute to personalized patient management.

ΥΠΟΒΑΘΡΟ: Η προεγχειρητική αξιολόγηση των ωοθηκικών μαζών αποτελεί κρίσιμο κλινικό ζήτημα, καθώς η ακριβής διάκριση μεταξύ καλοήθων, κακοήθων και όγκων οριακής κακοήθειας (BOTs) καθορίζει τη θεραπευτική προσέγγιση και τελικά την πρόγνωση της ασθενούς. Παρότι το γυναικολογικό υπερηχογράφημα αποτελεί την απεικονιστική μέθοδο πρώτης γραμμής, η διαγνωστική ακρίβεια εξαρτάται σε μεγάλο βαθμό από την εμπειρία του εξεταστή. ΜΕΘΟΔΟΛΟΓΙΑ: Σκοπός της παρούσας διατριβής ήταν η ανάπτυξη και αξιολόγηση ενός συστήματος τεχνητής νοημοσύνης βασισμένου σε Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την αυτοματοποιημένη ταξινόμηση ωοθηκικών μαζών από υπερηχογραφικές εικόνες, καθώς και η διερεύνηση της συμβολής των Παραγωγικών Αντιπαραθετικών Δικτύων (DCGANs) στην ενίσχυση της απόδοσης του μοντέλου στην κατηγορία των BOTs, όπου τα υπάρχοντα δεδομένα ήταν περιορισμένα. Η αναδρομική αυτή μελέτη υλοποιήθηκε σε δύο φάσεις. Στην πρώτη φάση αναπτύχθηκε ένας δυαδικός ταξινομητής (καλοήθεις/κακοήθεις) βασισμένος σε CNNs. Στη δεύτερη φάση το σύστημα επεκτάθηκε σε τριταξική ταξινόμηση (καλοήθεις/κακοήθεις/όγκοι οριακής κακοήθειας), ενσωματώνοντας DCGAN αρχιτεκτονικές για την αντιμετώπιση της ανισορροπίας μεταξύ των τριών κατηγοριών. Όλες οι εικόνες υποβλήθηκαν σε διαδικασία ανωνυμοποίησης, κανονικοποίησης και αύξησης δεδομένων πριν από την εκπαίδευση των μοντέλων. ΑΠΟΤΕΛΕΣΜΑΤΑ: Τα αποτελέσματα κατέδειξαν υψηλή διαγνωστική απόδοση του μοντέλου, με AUC που έφτασε το 0,96 για τις καλοήθεις μάζες, 0,94 για τις κακοήθεις και 0,91 για τους όγκους οριακής κακοήθειας. Η ενσωμάτωση συνθετικών δεδομένων μέσω DCGAN βελτίωσε μετρήσιμα τη σταθερότητα και την απόδοση του μοντέλου στην κατηγορία των BOTs. Η μετάβαση από δυαδική σε τριταξική ταξινόμηση επιτεύχθηκε χωρίς απώλεια της συνολικής ακρίβειας. ΣΥΜΠΕΡΑΣΜΑΤΑ: Το προτεινόμενο σύστημα τεχνητής νοημοσύνης παρουσιάζει υψηλή διαγνωστική ικανότητα και δύναται να λειτουργήσει ως εργαλείο υποστήριξης κλινικής απόφασης στην αξιολόγηση ωοθηκικών μαζών, συμβάλλοντας στη μείωση της διαγνωστικής ετερογένειας και στη βελτιστοποίηση της προεγχειρητικής διαχείρισης.