国际妇产科学杂志 ›› 2025, Vol. 52 ›› Issue (4): 431-438.doi: 10.12280/gjfckx.20250162
程晓冉, 赵丹, 牛承志(
)
收稿日期:2025-02-24
出版日期:2025-08-15
发布日期:2025-09-08
通讯作者:
牛承志，E-mail：
CHENG Xiao-ran, ZHAO Dan, NIU Cheng-zhi()
Received:2025-02-24
Published:2025-08-15
Online:2025-09-08
Contact:
NIU Cheng-zhi, E-mail: 摘要：
目的：探讨基于多种实验室检测指标构建的人工智能模型用于卵巢恶性肿瘤诊断的临床应用价值。方法：回顾性分析郑州大学第一附属医院收集的3 465例卵巢恶性肿瘤和6 987例卵巢良性肿瘤患者的实验室检测数据，将患者按7∶3随机分为训练集（7 317例）和测试集（3 135例），采用Boruta特征选择法和Lasso回归法进行特征筛选，构建随机森林、逻辑回归、支持向量机和梯度提升决策树模型，并通过曲线下面积（area under the curve，AUC）、准确率、精确率、召回率和F1分数综合评估模型效能。结果：随机森林模型在测试集中表现最佳，AUC为0.924，准确率为0.872，召回率为0.749，优于其余3种模型及常用单一指标[人附睾蛋白4（human epididymis protein 4，HE4）、糖类抗原125（carbohydrate antigen 125，CA125）、CA15-3和D-二聚体]。特征重要性分析显示，HE4、CA15-3、CA19-9、CA125、CA724、甲胎蛋白、D-二聚体、纤维蛋白原、白蛋白、乳酸脱氢酶、中性粒细胞百分比、中性粒细胞绝对值、淋巴细胞百分比、淋巴细胞绝对值和血小板计数15项指标在模型中贡献显著，提示其在临床诊断中具有重要价值。结论：基于实验室检测数据构建的随机森林模型在诊断卵巢恶性肿瘤中表现出较高效能，具备良好的临床应用潜力。未来可进一步结合多中心数据和多模态信息，不断提升模型的泛化能力与临床可解释性，推动其在实际诊疗中的深化应用。
程晓冉, 赵丹, 牛承志. 基于实验室数据的卵巢恶性肿瘤机器学习诊断模型[J]. 国际妇产科学杂志, 2025, 52(4): 431-438.
CHENG Xiao-ran, ZHAO Dan, NIU Cheng-zhi. Machine Learning Diagnostic Model for Ovarian Malignancies Based on Laboratory Data[J]. Journal of International Obstetrics and Gynecology, 2025, 52(4): 431-438.
| 变量名称 | 训练集（n=7 317） | 测试集（n=3 135） | Z或χ2 | P |
|---|---|---|---|---|
| 基本特征 | ||||
| 年龄（岁） | 49.5（39.5，58.2） | 49.6（40.2，58.7） | 0.579 | 0.562 |
| 肿瘤直径（cm） | 6.3（4.1，8.9） | 6.1（4.2，9.0） | 0.422 | 0.671 |
| 恶性肿瘤类型 | 0.050 | 0.823 | ||
| 上皮性 | 2 298（94.8） | 988（95.0） | ||
| 非上皮性 | 127（5.2） | 52（5.0） | ||
| 良性肿瘤类型 | 0.051 | 0.975 | ||
| 浆液性囊腺瘤 | 2 600（53.1） | 1 115（53.2） | ||
| 黏液性囊腺瘤 | 1 450（29.6） | 615（29.4） | ||
| 其他类型 | 842（17.2） | 365（17.4） | ||
| 实验室检查指标 | ||||
| CA125（U/mL） | 24.31（12.82，71.20） | 23.60（12.90，67.30） | 0.733 | 0.464 |
| CA15-3（U/mL） | 9.37（6.30，15.68） | 9.26（6.30，14.80） | 1.195 | 0.232 |
| CA19-9（U/mL） | 12.85（6.98，25.40） | 13.10（7.04，24.59） | 0.457 | 0.648 |
| CA724（U/mL） | 2.30（1.50，6.04） | 2.35（1.50，6.36） | 0.716 | 0.474 |
| 甲胎蛋白（ng/mL） | 2.24（1.52，3.34） | 2.22（1.52，3.30） | 0.006 | 0.996 |
| HE4（pmol/L） | 53.10（44.70，72.22） | 53.00（44.80，69.52） | 0.325 | 0.745 |
| 直接胆红素（μmol/L） | 3.40（2.60，4.50） | 3.40（2.60，4.50） | 0.483 | 0.629 |
| 间接胆红素（μmol/L） | 4.10（2.80，5.90） | 4.10（2.80，5.80） | 0.962 | 0.336 |
| 总胆红素（μmol/L） | 7.59（5.50，10.40） | 7.60（5.50，10.20） | 0.671 | 0.502 |
| 白蛋白（g/L） | 42.20（39.70，44.70） | 42.30（39.80，44.70） | 1.458 | 0.145 |
| 球蛋白（g/L） | 25.70（23.10，28.90） | 25.70（23.10，29.10） | 0.616 | 0.538 |
| 总蛋白（g/L） | 67.90（64.20，72.00） | 68.10（64.30，72.10） | 1.474 | 0.141 |
| 乳酸脱氢酶（U/L） | 184.00（157.00，220.00） | 184.00（156.50，221.00） | 0.228 | 0.820 |
| 肾小球滤过率[mL/（min·1.73 m2）] | 113.28（102.05，122.24） | 113.03（102.25，122.42） | 0.292 | 0.771 |
| 尿酸（μmol/L） | 249.00（211.00，298.00） | 248.00（210.00，295.00） | 1.186 | 0.235 |
| 空腹血糖（mmol/L） | 4.57（4.23，5.00） | 4.57（4.23，4.96） | 0.525 | 0.599 |
| 中性粒细胞百分数（%） | 57.90（51.20，65.90） | 58.00（50.80，65.75） | 0.390 | 0.697 |
| 中性粒细胞绝对值（×109/L） | 3.28（2.48，4.39） | 3.28（2.49，4.39） | 0.104 | 0.917 |
| 嗜酸性粒细胞百分数（%） | 1.50（0.80，2.40） | 1.50（0.80，2.40） | 0.233 | 0.816 |
| 嗜酸性粒细胞绝对值（×109/L） | 0.08（0.05，0.14） | 0.08（0.05，0.14） | 0.012 | 0.991 |
| 嗜碱性粒细胞百分数（%） | 0.40（0.30，0.60） | 0.40（0.30，0.60） | 0.245 | 0.807 |
| 嗜碱性粒细胞绝对值（×109/L） | 0.03（0.02，0.03） | 0.03（0.02，0.03） | 0.893 | 0.372 |
| 淋巴细胞百分数（%） | 32.50（25.00，38.90） | 32.60（25.20，39.00） | 0.592 | 0.554 |
| 淋巴细胞绝对值（×109/L） | 1.77（1.37，2.21） | 1.77（1.38，2.23） | 0.558 | 0.577 |
| 血小板计数（×109/L） | 243.00（200.00，294.00） | 249.00（203.00，299.00） | 2.680 | 0.007 |
| 血小板压积（%） | 0.23（0.19，0.27） | 0.23（0.19，0.27） | 2.400 | 0.016 |
| 平均红细胞血红蛋白含量（pg） | 29.90（28.50，31.04） | 29.80（28.40，31.00） | 1.943 | 0.052 |
| 平均红细胞血红蛋白浓度（g/L） | 330.00（323.00，336.00） | 329.00（323.00，335.75） | 2.238 | 0.025 |
| 平均红细胞体积（fL） | 90.20（86.70，93.40） | 90.11（86.10，93.34） | 1.585 | 0.113 |
| 白细胞计数（×109/L） | 5.74（4.70，7.10） | 5.76（4.72，7.03） | 0.098 | 0.922 |
| 酸碱度 | 5.74（5.10，6.38） | 5.73（5.10，6.36） | 0.789 | 0.410 |
| D-二聚体（mg/L） | 0.19（0.08，0.42） | 0.19（0.08，0.42） | 0.628 | 0.530 |
| 纤维蛋白原（g/L） | 2.74（2.31，3.30） | 2.74（2.33，3.29） | 0.023 | 0.982 |
| 黄体生成素（U/L） | 10.20（5.80，22.30） | 10.16（5.78，22.30） | 0.132 | 0.895 |
| 卵泡刺激素（U/L） | 6.59（4.36，22.00） | 6.52（4.28，21.30） | 0.485 | 0.627 |
| 雌二醇（pg/mL） | 61.50（23.80，126.00） | 65.50（26.15，131.90） | 2.190 | 0.029 |
| 孕酮（ng/mL） | 0.33（0.14，1.28） | 0.33（0.14，1.41） | 0.097 | 0.923 |
| 睾酮（ng/mL） | 0.24（0.14，0.37） | 0.24（0.14，0.37） | 1.039 | 0.299 |
| 催乳素（ng/mL） | 27.35（19.20，40.10） | 27.60（19.57，40.60） | 0.682 | 0.496 |
表1 训练集与测试集患者的实验室指标比较
| 变量名称 | 训练集（n=7 317） | 测试集（n=3 135） | Z或χ2 | P |
|---|---|---|---|---|
| 基本特征 | ||||
| 年龄（岁） | 49.5（39.5，58.2） | 49.6（40.2，58.7） | 0.579 | 0.562 |
| 肿瘤直径（cm） | 6.3（4.1，8.9） | 6.1（4.2，9.0） | 0.422 | 0.671 |
| 恶性肿瘤类型 | 0.050 | 0.823 | ||
| 上皮性 | 2 298（94.8） | 988（95.0） | ||
| 非上皮性 | 127（5.2） | 52（5.0） | ||
| 良性肿瘤类型 | 0.051 | 0.975 | ||
| 浆液性囊腺瘤 | 2 600（53.1） | 1 115（53.2） | ||
| 黏液性囊腺瘤 | 1 450（29.6） | 615（29.4） | ||
| 其他类型 | 842（17.2） | 365（17.4） | ||
| 实验室检查指标 | ||||
| CA125（U/mL） | 24.31（12.82，71.20） | 23.60（12.90，67.30） | 0.733 | 0.464 |
| CA15-3（U/mL） | 9.37（6.30，15.68） | 9.26（6.30，14.80） | 1.195 | 0.232 |
| CA19-9（U/mL） | 12.85（6.98，25.40） | 13.10（7.04，24.59） | 0.457 | 0.648 |
| CA724（U/mL） | 2.30（1.50，6.04） | 2.35（1.50，6.36） | 0.716 | 0.474 |
| 甲胎蛋白（ng/mL） | 2.24（1.52，3.34） | 2.22（1.52，3.30） | 0.006 | 0.996 |
| HE4（pmol/L） | 53.10（44.70，72.22） | 53.00（44.80，69.52） | 0.325 | 0.745 |
| 直接胆红素（μmol/L） | 3.40（2.60，4.50） | 3.40（2.60，4.50） | 0.483 | 0.629 |
| 间接胆红素（μmol/L） | 4.10（2.80，5.90） | 4.10（2.80，5.80） | 0.962 | 0.336 |
| 总胆红素（μmol/L） | 7.59（5.50，10.40） | 7.60（5.50，10.20） | 0.671 | 0.502 |
| 白蛋白（g/L） | 42.20（39.70，44.70） | 42.30（39.80，44.70） | 1.458 | 0.145 |
| 球蛋白（g/L） | 25.70（23.10，28.90） | 25.70（23.10，29.10） | 0.616 | 0.538 |
| 总蛋白（g/L） | 67.90（64.20，72.00） | 68.10（64.30，72.10） | 1.474 | 0.141 |
| 乳酸脱氢酶（U/L） | 184.00（157.00，220.00） | 184.00（156.50，221.00） | 0.228 | 0.820 |
| 肾小球滤过率[mL/（min·1.73 m2）] | 113.28（102.05，122.24） | 113.03（102.25，122.42） | 0.292 | 0.771 |
| 尿酸（μmol/L） | 249.00（211.00，298.00） | 248.00（210.00，295.00） | 1.186 | 0.235 |
| 空腹血糖（mmol/L） | 4.57（4.23，5.00） | 4.57（4.23，4.96） | 0.525 | 0.599 |
| 中性粒细胞百分数（%） | 57.90（51.20，65.90） | 58.00（50.80，65.75） | 0.390 | 0.697 |
| 中性粒细胞绝对值（×109/L） | 3.28（2.48，4.39） | 3.28（2.49，4.39） | 0.104 | 0.917 |
| 嗜酸性粒细胞百分数（%） | 1.50（0.80，2.40） | 1.50（0.80，2.40） | 0.233 | 0.816 |
| 嗜酸性粒细胞绝对值（×109/L） | 0.08（0.05，0.14） | 0.08（0.05，0.14） | 0.012 | 0.991 |
| 嗜碱性粒细胞百分数（%） | 0.40（0.30，0.60） | 0.40（0.30，0.60） | 0.245 | 0.807 |
| 嗜碱性粒细胞绝对值（×109/L） | 0.03（0.02，0.03） | 0.03（0.02，0.03） | 0.893 | 0.372 |
| 淋巴细胞百分数（%） | 32.50（25.00，38.90） | 32.60（25.20，39.00） | 0.592 | 0.554 |
| 淋巴细胞绝对值（×109/L） | 1.77（1.37，2.21） | 1.77（1.38，2.23） | 0.558 | 0.577 |
| 血小板计数（×109/L） | 243.00（200.00，294.00） | 249.00（203.00，299.00） | 2.680 | 0.007 |
| 血小板压积（%） | 0.23（0.19，0.27） | 0.23（0.19，0.27） | 2.400 | 0.016 |
| 平均红细胞血红蛋白含量（pg） | 29.90（28.50，31.04） | 29.80（28.40，31.00） | 1.943 | 0.052 |
| 平均红细胞血红蛋白浓度（g/L） | 330.00（323.00，336.00） | 329.00（323.00，335.75） | 2.238 | 0.025 |
| 平均红细胞体积（fL） | 90.20（86.70，93.40） | 90.11（86.10，93.34） | 1.585 | 0.113 |
| 白细胞计数（×109/L） | 5.74（4.70，7.10） | 5.76（4.72，7.03） | 0.098 | 0.922 |
| 酸碱度 | 5.74（5.10，6.38） | 5.73（5.10，6.36） | 0.789 | 0.410 |
| D-二聚体（mg/L） | 0.19（0.08，0.42） | 0.19（0.08，0.42） | 0.628 | 0.530 |
| 纤维蛋白原（g/L） | 2.74（2.31，3.30） | 2.74（2.33，3.29） | 0.023 | 0.982 |
| 黄体生成素（U/L） | 10.20（5.80，22.30） | 10.16（5.78，22.30） | 0.132 | 0.895 |
| 卵泡刺激素（U/L） | 6.59（4.36，22.00） | 6.52（4.28，21.30） | 0.485 | 0.627 |
| 雌二醇（pg/mL） | 61.50（23.80，126.00） | 65.50（26.15，131.90） | 2.190 | 0.029 |
| 孕酮（ng/mL） | 0.33（0.14，1.28） | 0.33（0.14，1.41） | 0.097 | 0.923 |
| 睾酮（ng/mL） | 0.24（0.14，0.37） | 0.24（0.14，0.37） | 1.039 | 0.299 |
| 催乳素（ng/mL） | 27.35（19.20，40.10） | 27.60（19.57，40.60） | 0.682 | 0.496 |
图1 Boruta特征选择箱式图 注：图中横坐标的特征以编号F1~F39表示，分别对应以下实验室指标，F1 酸碱度，F2 嗜碱性粒细胞绝对值，F3 平均红细胞血红蛋白浓度，F4 尿酸，F5 嗜碱性粒细胞百分数，F6 催乳素，F7 嗜酸性粒细胞百分数，F8 嗜酸性粒细胞绝对值，F9 直接胆红素，F10 球蛋白，F11 CA19-9，F12 间接胆红素，F13 中性粒细胞百分数，F14 总蛋白，F15 空腹血糖，F16 孕酮，F17 淋巴细胞百分数，F18 总胆红素，F19 血小板计数，F20 中性粒细胞绝对值，F21 白蛋白，F22 黄体生成素，F23 平均红细胞血红蛋白含量，F24 淋巴细胞绝对值，F25 甲胎蛋白，F26 睾酮，F27 平均红细胞体积，F28 白细胞计数，F29 血小板压积，F30 肾小球滤过率，F31 CA125，F32 D-二聚体，F33 CA724，F34 纤维蛋白原，F35 雌二醇，F36 卵泡刺激素，F37 乳酸脱氢酶，F38 HE4，F39 CA15-3
图2 Lasso回归的交叉验证图 注：上横坐标为不同λ时对应的变量数；左侧虚线对应的参数（lambda.min）误差最小，右侧虚线对应的参数（lambda.1se）离lambda.min一个标准误的距离
| 特征名称 | Boruta重要性 （Z分数） | Lasso重要性 （系数绝对值） |
|---|---|---|
| HE4 | 63.053 | 0.995 |
| CA15-3 | 66.490 | 1.030 |
| CA19-9 | 10.487 | 0.250 |
| CA724 | 37.632 | 0.805 |
| CA125 | 31.711 | 0.030 |
| 甲胎蛋白 | 22.284 | 2.510 |
| D-二聚体 | 35.779 | 0.080 |
| 纤维蛋白原 | 38.145 | 0.565 |
| 白蛋白 | 19.365 | 0.412 |
| 乳酸脱氢酶 | 56.524 | 1.327 |
| 中性粒细胞百分比 | 11.157 | 0.897 |
| 中性粒细胞绝对值 | 18.444 | 0.696 |
| 淋巴细胞百分比 | 11.604 | 0.399 |
| 淋巴细胞绝对值 | 22.300 | 0.789 |
| 血小板计数 | 17.128 | 0.935 |
表2 两种方法筛选的最终核心特征及其重要性评分比较
| 特征名称 | Boruta重要性 （Z分数） | Lasso重要性 （系数绝对值） |
|---|---|---|
| HE4 | 63.053 | 0.995 |
| CA15-3 | 66.490 | 1.030 |
| CA19-9 | 10.487 | 0.250 |
| CA724 | 37.632 | 0.805 |
| CA125 | 31.711 | 0.030 |
| 甲胎蛋白 | 22.284 | 2.510 |
| D-二聚体 | 35.779 | 0.080 |
| 纤维蛋白原 | 38.145 | 0.565 |
| 白蛋白 | 19.365 | 0.412 |
| 乳酸脱氢酶 | 56.524 | 1.327 |
| 中性粒细胞百分比 | 11.157 | 0.897 |
| 中性粒细胞绝对值 | 18.444 | 0.696 |
| 淋巴细胞百分比 | 11.604 | 0.399 |
| 淋巴细胞绝对值 | 22.300 | 0.789 |
| 血小板计数 | 17.128 | 0.935 |
| 模型 | 数据集 | 准确率 | 精确率 | 召回率 | F1分数 | AUC |
|---|---|---|---|---|---|---|
| 逻辑回归 | 训练集 | 0.841 | 0.860 | 0.621 | 0.721 | 0.903 |
| 测试集 | 0.846 | 0.846 | 0.644 | 0.731 | 0.905 | |
| 随机森林 | 训练集 | 0.836 | 0.845 | 0.608 | 0.707 | 0.916 |
| 测试集 | 0.872 | 0.841 | 0.749 | 0.792 | 0.924 | |
| 支持向量机 | 训练集 | 0.863 | 0.857 | 0.703 | 0.772 | 0.913 |
| 测试集 | 0.860 | 0.827 | 0.721 | 0.771 | 0.917 | |
| 梯度提升决策树 | 训练集 | 0.854 | 0.856 | 0.674 | 0.754 | 0.919 |
| 测试集 | 0.857 | 0.849 | 0.685 | 0.758 | 0.915 |
表3 4种机器学习模型的效能比较
| 模型 | 数据集 | 准确率 | 精确率 | 召回率 | F1分数 | AUC |
|---|---|---|---|---|---|---|
| 逻辑回归 | 训练集 | 0.841 | 0.860 | 0.621 | 0.721 | 0.903 |
| 测试集 | 0.846 | 0.846 | 0.644 | 0.731 | 0.905 | |
| 随机森林 | 训练集 | 0.836 | 0.845 | 0.608 | 0.707 | 0.916 |
| 测试集 | 0.872 | 0.841 | 0.749 | 0.792 | 0.924 | |
| 支持向量机 | 训练集 | 0.863 | 0.857 | 0.703 | 0.772 | 0.913 |
| 测试集 | 0.860 | 0.827 | 0.721 | 0.771 | 0.917 | |
| 梯度提升决策树 | 训练集 | 0.854 | 0.856 | 0.674 | 0.754 | 0.919 |
| 测试集 | 0.857 | 0.849 | 0.685 | 0.758 | 0.915 |
图3 4种模型的ROC曲线比较
图4 随机森林模型与单指标的ROC曲线比较
图5 随机森林模型中关键特征的重要性分析
| [1] | Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3):229-263. doi: 10.3322/caac.21834. |
| [2] | Siegel RL, Giaquinto AN, Jemal A. Cancer statistics, 2024[J]. CA Cancer J Clin, 2024, 74(1):12-49. doi: 10.3322/caac.21820. |
| [3] | Konstantinopoulos PA, Matulonis UA. Clinical and translational advances in ovarian cancer therapy[J]. Nat Cancer, 2023, 4(9):1239-1257. doi: 10.1038/s43018-023-00617-9. |
| [4] | Tang ZP, Ma Z, He Y, et al. Ultrasound-based radiomics for predicting different pathological subtypes of epithelial ovarian cancer before surgery[J]. BMC Med Imaging, 2022, 22(1):147. doi: 10.1186/s12880-022-00879-2. |
| [5] | Charkhchi P, Cybulski C, Gronwald J, et al. CA125 and Ovarian Cancer: A Comprehensive Review[J]. Cancers (Basel), 2020, 12(12): 3730. doi: 10.3390/cancers12123730. |
| [6] | Liu Z, Wu J, Wang X, et al. Multivariate logistic regression analysis of the correlation between five biomarkers and ovarian cancer in patients with intermediate-risk: A prospective cross-sectional study[J]. Front Cell Dev Biol, 2022, 10:876071. doi: 10.3389/fcell.2022.876071. |
| [7] | Zhang R, Siu M, Ngan H, et al. Molecular Biomarkers for the Early Detection of Ovarian Cancer[J]. Int J Mol Sci, 2022, 23(19):12041. doi: 10.3390/ijms231912041. |
| [8] | Dupré A, Malik HZ. Inflammation and cancer: What a surgical oncologist should know[J]. Eur J Surg Oncol, 2018, 44(5):566-570. doi: 10.1016/j.ejso.2018.02.209. |
| [9] |
Guo Y, Jiang T, Ouyang L, et al. A novel diagnostic nomogram based on serological and ultrasound findings for preoperative prediction of malignancy in patients with ovarian masses[J]. Gynecol Oncol, 2021, 160(3):704-712. doi: 10.1016/j.ygyno.2020.12.006.
pmid: 33357959 |
| [10] |
Kandalaft LE, Dangaj Laniti D, Coukos G. Immunobiology of high-grade serous ovarian cancer: lessons for clinical translation[J]. Nat Rev Cancer, 2022, 22(11):640-656. doi: 10.1038/s41568-022-00503-z.
pmid: 36109621 |
| [11] |
Gao Y, Cai GY, Fang W, et al. Machine learning based early warning system enables accurate mortality risk prediction for COVID-19[J]. Nat Commun, 2020, 11(1):5033. doi: 10.1038/s41467-020-18684-2.
pmid: 33024092 |
| [12] |
Sidey-Gibbons J, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction[J]. BMC Med Res Methodol, 2019, 19(1):64. doi: 10.1186/s12874-019-0681-4.
pmid: 30890124 |
| [13] | Anastasi E, Farina A, Granato T, et al. Recent Insight about HE4 Role in Ovarian Cancer Oncogenesis[J]. Int J Mol Sci, 2023, 24(13):10479. doi: 10.3390/ijms241310479. |
| [14] |
Braicu EI, Krause CL, Torsten U, et al. HE4 as a serum biomarker for the diagnosis of pelvic masses: a prospective, multicenter study in 965 patients[J]. BMC Cancer, 2022, 22(1):831. doi: 10.1186/s12885-022-09887-5.
pmid: 35907794 |
| [15] | Matsas A, Stefanoudakis D, Troupis T, et al. Tumor Markers and Their Diagnostic Significance in Ovarian Cancer[J]. Life(Basel), 2023, 13(8):1689. doi: 10.3390/life13081689. |
| [16] | 刘伟, 张丽虹, 曲玉清, 等. 卵巢混合性生殖细胞肿瘤病理特征及诊断分析[J]. 中国临床新医学, 2020, 13(10):1031-1035. doi: 10.3969/j.issn.1674-3806.2020.10.18. |
| [17] |
Hu Q, Hada A, Han L. Platelet count as a biomarker for monitoring treatment response and disease recurrence in recurrent epithelial ovarian cancer[J]. J Ovarian Res, 2020, 13(1):78. doi: 10.1186/s13048-020-00682-z.
pmid: 32682445 |
| [18] |
Hinshaw DC, Shevde LA. The Tumor Microenvironment Innately Modulates Cancer Progression[J]. Cancer Res, 2019, 79(18):4557-4566. doi: 10.1158/0008-5472.CAN-18-3962.
pmid: 31350295 |
| [19] | 黄利华, 姜慧英, 刘芳芳, 等. 糖类抗原125及血小板与淋巴细胞比值早期诊断卵巢癌的应用价值[J]. 重庆医学, 2021, 50(23): 3978-3981. doi: 10.3969/j.issn.1671-8348.2021.23.005. |
| [20] |
Karonidis A, Mantzourani M, Gogas H, et al. Serum S100B levels correlate with stage, N status, mitotic rate and disease outcome in melanoma patients independent to LDH[J]. J Buon, 2017, 22(5):1296-1302.
pmid: 29135116 |
| [21] | Cai G, Huang F, Gao Y, et al. Artificial intelligence-based models enabling accurate diagnosis of ovarian cancer using laboratory tests in China: a multicentre, retrospective cohort study[J]. Lancet Digit Health, 2024, 6(3): e176-e186. doi: 10.1016/S2589-7500(23)00245-5. |
| [1] | 姜云霞, 李佳慧, 李想, 夏明雪, 杨淑莉. 脑胎盘子宫比在预测胎儿生长受限中的应用价值[J]. 国际妇产科学杂志, 2025, 52(4): 371-376. |
| [2] | 周静, 季修庆, 李璃, 刘安, 王玉国, 周冉, 许争峰. 产前诊断羊水细胞Y染色体异常七例分析[J]. 国际妇产科学杂志, 2025, 52(4): 394-401. |
| [3] | 袁梦, 李君芬, 吴岳霄, 杨永秀. 原发性卵巢子宫内膜间质肉瘤伴直肠转移一例[J]. 国际妇产科学杂志, 2025, 52(4): 439-442. |
| [4] | 张茹雯, 曹蕾. HPV18阳性宫颈腺样基底细胞癌一例[J]. 国际妇产科学杂志, 2025, 52(4): 443-446. |
| [5] | 张世霞, 闫宇, 万子华, 刘畅. 原发性输卵管癌肉瘤伴广泛网膜转移一例[J]. 国际妇产科学杂志, 2025, 52(4): 447-450. |
| [6] | 周静, 乔凤昌, 张翠平, 刘安, 李璃, 季修庆, 许争峰. 应用全外显子组测序技术行完全性雄激素不敏感综合征遗传学病因探索[J]. 国际妇产科学杂志, 2025, 52(3): 262-266. |
| [7] | 徐若兰, 杨将, 周金婷. 微流控技术在卵巢癌诊断和治疗中的应用[J]. 国际妇产科学杂志, 2025, 52(3): 326-330. |
| [8] | 冯晓宇, 闫丽隽. 共济失调毛细血管扩张突变和Rad3相关蛋白在卵巢癌发生发展及治疗中的应用[J]. 国际妇产科学杂志, 2025, 52(3): 331-336. |
| [9] | 张伟峰, 张毅. 经脐单孔腹腔镜下卵巢良性肿瘤剥除的手术技巧探讨[J]. 国际妇产科学杂志, 2025, 52(3): 337-341. |
| [10] | 褚莹, 王艺璇, 花震丹, 郑佳慧, 王赞宏. 基于SEER数据库构建卵巢卵黄囊瘤预后列线图预测模型[J]. 国际妇产科学杂志, 2025, 52(3): 342-349. |
| [11] | 江文静, 丁勇利, 吕群, 谢蕙霞, 李若芃, 周敏. 青年女性巨大卵巢平滑肌瘤一例[J]. 国际妇产科学杂志, 2025, 52(3): 350-353. |
| [12] | 黄银波, 王颖, 李翠红, 车力凡. 卵巢非特异性类固醇细胞瘤一例[J]. 国际妇产科学杂志, 2025, 52(3): 354-357. |
| [13] | 陈家玉, 邵亚雯, 彭皓晨, 吴珍珍. 晚期卵巢浆液性癌伴腹股沟淋巴结转移一例[J]. 国际妇产科学杂志, 2025, 52(3): 357-360. |
| [14] | 陈淑婉, 邓高丕, 袁烁. 子宫伴奇异形核平滑肌瘤一例[J]. 国际妇产科学杂志, 2025, 52(2): 187-190. |
| [15] | 白耀俊, 王思瑶, 令菲菲, 张森淮, 李红丽, 刘畅. Trop-2及靶向Trop-2抗体偶联药物在妇科恶性肿瘤中的应用进展[J]. 国际妇产科学杂志, 2025, 52(1): 1-7. |
| 阅读次数 | ||||||
|
全文 |
|
|||||
|
摘要 |
|
|||||
