王瀚苑，赵之滢，宫婷婷，赵玉虹，吴琪俊

0 引言

妇科恶性肿瘤之一的卵巢癌（ovarian cancer,OC）对女性健康存在严重威胁，在2019年全美女性癌症死亡病例中排名第五[1]。但因其早期临床症状不明显且无特异性，多数患者在晚期才被诊断。OC患者预后差，五年生存率仅为43%[2-3]。现阶段，OC临床治疗方案通常取决于癌症类型和进展阶段[4]，所以早期诊断和判断肿瘤分型非常重要。影像学特征和癌胚抗原125（CA-125）水平是最常使用的两种方法，但在OC临床诊断时缺乏特异性[5]。研究人员期望通过分析多组学信息、综合各项临床指标、深度挖掘影像信息等手段，研究出准确、快捷、无创的方法，帮助临床医生诊断OC，为患者提供个性化治疗方案，从而改善患者预后。

机器学习（maohine learning,ML）是一门研究计算机从海量数据中学习的学科，是统计学与计算机学交叉融合的产物，按照学习方式可分为有监督学习和无监督学习。

近年来，研究人员着眼于将机器学习技术与基因组学、蛋白质组学、代谢组学、放射组学等相结合，期望为OC的临床诊断治疗提供新思路。本文将对机器学习在OC诊断和预后中的应用作一综述，见表1。

表1 机器学习在卵巢癌多个方面的应用Table 1 Application of machine learning in diagnosis,relapse and prognosis of ovarian cancer

1 机器学习简介

常见的机器学习方法有贝叶斯分类（naïve bayes）、随机森林（random forests,RF）、决策树（decision trees）、k均值聚类（clustering with k-means）、支持向量机（support vector machines,SVM）和神经网络（neural networks，NN）。SVM是最经典的监督学习算法之一，可在有限的训练样本中管理多维数据并进行多类别分类[6]。RF属于无监督学习，通过随机抽样和减小方差降低异常值对结果的影响。……