超声检查是卵巢癌术前诊断的一项重要的非侵入性检查。深度学习在图像识别任务方面取得了进展;因此，研究者的目标是开发一种深度卷积神经网络(DCNN)模型，该模型可以自动评估超声图像，并比现有方法更准确地诊断卵巢癌。
2022年3月，华中科技大学高庆蕾团队在Lancet Digital Health （IF=37）在线发表题为“Deep learning-enabled pelvic ultrasound images for accurate diagnosis of ovarian cancer in China: a retrospective, multicentre, diagnostic study” 的研究论文，在这项回顾性、多中心、诊断性研究中，研究者收集了2003年9月至2019年5月期间中国10家医院的盆腔超声图像。为了开发DCNN模型，患者被分配到训练数据集(3755例卵巢癌患者的34488张照片，101777例对照组的541442张照片)。为了进行模型验证，将患者分配到内部验证数据集(266例卵巢癌患者3031张照片，602例附件良性病变5385张照片)、外部验证数据集1(67例卵巢癌患者486张照片，268例附件良性病变933张照片)和外部验证数据集2(166例卵巢癌患者1253张照片，723例附件良性病变5257张照片)。利用这些数据集，研究者评估了DCNN的诊断价值，并将DCNN与35名放射科医生进行比较，探讨DCNN是否可以提高6名放射科医生的诊断准确性。
对于DCNN检测卵巢癌，内部数据集的AUC为0.911 (95% CI 0.886 - 0.936)，外部验证数据集1的AUC为0.870 (95% CI 0.822 - 0.918)，外部验证数据集2的AUC为0.831 (95% CI 0.793 - 0.869)。在内部数据集和外部验证数据集中，DCNN模型在检测卵巢癌方面比放射科医生更准确。DCNN辅助诊断的准确性和敏感性高于放射科医生单独评估。总之，该研究表明DCNN模型在基于图像识别的卵巢癌诊断中具有良好的性能。DCNN模型可以在专家负荷过大的城市和医疗资源稀缺的偏远地区实施。这种应用程序可以利用其自动化特性简化工作流程，并提供专家级别的诊断性能，而不受地理障碍的影响。
