卵巢-附件腫塊超聲評分系統的研究進展

摘要：超聲是診斷卵巢-附件腫塊最常用的影像學方式，但由于長期以來缺乏統一的超聲圖像描述標準、腫塊圖像各異及對操作者經驗的依賴，導致術前對腫塊良惡性的鑒別、亞分類及惡性風險評估有一定難度。因此，研究者先后開發了多種超聲評分系統，對腫塊的超聲檢查、報告書寫等進行規范化描述，提出風險預測模型及惡性風險分類，給出臨床管理建議，以期提升超聲診斷的規范化、同質化，提高術前診斷腫塊的準確率，為臨床醫師正確解讀超聲報告及進一步診療提供有益指導。本文就卵巢-附件腫塊的惡性腫瘤風險指數模型、國際卵巢腫瘤研究分析組織開發的幾種模型、婦科影像報告與數據系統及卵巢-附件超聲報告和數據系統等的超聲研究進展作一綜述。

關鍵詞：卵巢-附件腫塊；評分系統；超聲診斷

Research progress of the ultrasound scoring system of ovarian-adnexal mass

FAN Linxia， ZHOU Huili

Department of Ultrasound Obstetrics and Gynecology， The First Affiliated Hospital of Xinjiang Medical University （The First Clinical Medical College of Xinjiang Medical University） /Xinjiang Key Laboratory of Ultrasound Medicine， Urumqi 830054， China

Abstract： Ultrasound is the most commonly used imaging modality for the diagnosis of ovarian-adnexal masses. However， due to the long-standing lack of uniform standards for describing ultrasound images， the variability of mass images， and the reliance on operator experience， these factors lead to difficulties in preoperative identification， subclassification， and malignancy risk assessment of the masses. Therefore， researchers have successively developed a variety of ultrasound scoring systems to standardize the description of ultrasound examinations and the writing of mass reports， propose risk prediction models and malignant risk classifications， and provide clinical management suggestions， in order to enhance the standardization and homogenization of ultrasound diagnosis， improve the accuracy of preoperative diagnosis of masses， and offer useful guidance to clinicians in correctly interpreting ultrasound reports and further diagnosis and treatment. This article provides a review of ultrasound research advances in the risk of malignancy index， several models developed by the International Ovarian Tumor Analysis， the gynecologic imaging reporting and data system， and the ovarian-adnexal reporting and data system.

Keywords： ovarian-adnexal mass; scoring system; ultrasound diagnosis

卵巢-附件腫塊是來源于卵巢、輸卵管或其周圍結締組織的腫塊［1］ 。其中卵巢癌是對全球女性健康構成重大威脅的疾病之一，是婦科惡性腫瘤中最致命的疾病之一［2］，因早期臨床表現缺乏特異性，70%以上被診斷時已進展至晚期［3］。據統計［4］，I期卵巢癌患者五年生存率達90%以上，III期為27%，IV期則低至13%。在中國，其死亡率位于女性生殖系統惡性腫瘤之首，目前手術和化療是治療卵巢惡性腫瘤的主要方式，術前準確評估腫塊性質有利于患者的分層治療［5］。由此，早期檢出卵巢癌可有效降低死亡率，指導臨床制定治療方案，改善患者預后，提高生活質量。超聲是診斷卵巢-附件腫塊良惡性的首選影像學方式，但腫塊的超聲圖像存在“同病異圖或異病同圖”現象［6］、超聲報告不規范及受檢查醫師經驗限制，超聲診斷存在一定局限性。因此，為規范卵巢-附件腫塊影像學特征，提升超聲診斷的規范化與同質化，學者提出多個超聲評分系統，以期提高超聲醫師診斷準確率，加強超聲醫師與臨床醫師間溝通并為臨床診療提供參考依據。然而，評分系統雖然多種多樣但各有其不足，因此目前仍在持續更新細化內容，本文就其研究進展進行綜述。

1 "惡性腫瘤風險指數模型（RMI）

RMI于1990年被首次提出［7］，該模型是聯合超聲指標（U）、絕經狀態（M）及血清癌抗原125（CA125）等綜合預測卵巢腫瘤良惡性的數學模型，多位學者對RMI計算公式進行改良［8-10］，提出RMI2、RMI3、RMI4模型，其中RMI2、RMI3改變了RMI1的評分標準，RMI4評分標準中加入腫塊最大徑（S）。

1.1 "RMI具體應用方法

RMI的評分細則包含U、M、血清CA125和S這4個指標，并賦予各指標相應分值（表1）。其中U包括：雙側發病、多房囊性、盆腹腔有游離液體、有實性區域、有腹盆腔轉移征象；M包括：絕經后狀態（子宮切除后年齡≥50歲或距離末次月經≥1年的患者）和絕經前狀態（其他患者）；CA125指患者術前1周內測得的血清CA125數值；S分為lt;7 cm和≥7 cm。RMI計算方法：RMI1=U×M×CA125；RMI2=U×M×CA125；RMI3=U×M×CA125；RMI4=U×M×CA125×S。

1.2 "RMI良惡性判定

惡性腫瘤的閾值水平：RMI1、RMI2、RMI3模型的界值均為200，RMI4模型界值為450［10］。

1.3 "RMI臨床應用

RMI廣泛應用于卵巢-附件腫塊良惡性的診斷，其效能優于單一腫瘤標記物的篩查。有研究提出改良RMI=（U+R）×M×CA125×S對腫塊的診斷價值更高，其結合了腫瘤血流阻力指數（RI）［11］。也有學者認為，4種不同RMI模型診斷效能是否差異較大，以及哪種模型診斷效能最優尚未統一［12］。RMI對上皮性腫瘤高度敏感，但對早期的非上皮性腫瘤、交界性腫瘤和卵巢癌敏感性較低［13］。此外，RMI腫瘤標記物僅考慮CA125，但其缺乏特異性會影響RMI的評估結果［14］。同時，RMI模型缺乏對惡性腫瘤風險的評估［15］。因而，RMI模型需進一步完善。

2 "國際卵巢腫瘤研究分析組織（IOTA）

2002年，IOTA規范描述了卵巢-附件腫塊的超聲術語、定義、形式及方法，是文獻中最可靠的基于證據的共識，為后續各種超聲評分系統的建立奠定了基礎［16］。IOTA指出，高年資超聲醫師依據個人經驗診斷效能最高，即應用IOTA建立的模型進行診斷時，其診斷結果與依據個人經驗診斷結果不一致時，基于個人經驗的診斷價值更高；低年資的超聲醫師經過訓練，對腫塊的診斷效能提高［17， 18］。20年來，IOTA先后開發了眾多診斷模型，主要包括：邏輯回歸模型、IOTA三步法則、簡單法則風險預測模型及ANDEX模型。

2.1 "邏輯回歸模型

2005年，IOTA提出了邏輯回歸模型［19］，是IOTA對卵巢-附件腫塊超聲模型開發與探索的初步成果，包含LR1和LR2兩種模型，兩者均已配置于高端超聲診斷儀，可用于臨床超聲診斷，LR1的建立過程包含了12個獨立影響因素，LR2的建立過程包含了6個變量（變量篩選于LR1模型的影響因素）（表2）。其中，LR2較LR1應用廣泛。

2.1.1 "LR2模型具體應用方法 " 從多個切面和角度存儲圖像，顯示病灶所有的關鍵聲像學特征，使用超聲診斷儀內置的LR2模型分析圖像內容，輸入上述LR2的6個變量計算腫塊惡性風險（以百分比顯示）［19］。

2.1.2 "LR2模型良惡性判定 " LR2模型以10%作為截斷值，≥10%腫塊為惡性，lt;10%則為良性。

2.1.3 " LR2模型臨床應用 " 有研究指出，用LR1和LR2模型診斷卵巢-附件腫塊良惡性的敏感度分別為97.1%和94.9%，特異度分別為77.3%和76.7%，可以作為初步篩查卵巢癌的方法［20］。有學者認為［21］，不同年資醫師用LR2模型診斷腫塊良惡性的一致性良好，Kappa值為0.669。LR2模型可以幫助低年資醫生進行診斷［19］。然而，LR2受運算方程限制，在依據LR2分析腫塊圖像時，由于缺乏某些特征，難以從診斷模型中獲得理想的診斷結果［22］。

2.2 "IOTA三步法則

2.2.1 "具體應用方法及良惡性判定 " 2012年，有學者提出了IOTA三步法則來診斷卵巢-附件腫塊性質［23］。

第1步，即時簡易診斷：基于6個簡單的超聲特征以及血清CA125評估腫塊良惡性，診斷標準：僅存在良性特征為良性，僅存在惡性特征為惡性，其余腫塊均進行第二步判斷良惡性（表3）。

第2步，簡單法則（SR）：同時存在或不存在簡易診斷中良性和惡性特征的腫塊用SR進行評估［24］，包含5個良性特征和5個惡性特征（表3），診斷標準為：有任何一個良性特征，沒有惡性特征的為良性；有任何一個惡性特征，沒有良性特征的為惡性；良惡性特征均有或均沒有，則為不確定性。

第3步，依據婦科超聲專家的主觀診斷來判定良惡性：對SR中不確定性腫塊由超聲專家進行診斷。

2.2.2 "三步法則臨床應用 " 單獨用SR診斷卵巢-附件腫塊的敏感度為92.19%、特異度為92.31%，其診斷腫塊性質的結果與病理結果一致性良好（Kappa=0.833）［25］。然而，SR僅適用76%～89%的腫塊（有明顯良惡性特征），對不符合SR典型特征的病變不適用（如腹膜囊腫、輸卵管積水、纖維瘤等），需婦科超聲專家主觀診斷腫塊良惡性［12， 19， 20， 24］。有研究用三步法則的前兩步診斷時，敏感度和特異度分別為95.1%和80.0%，用完整三步法則進行診斷時，敏感度和特異度分別為92.5%和97.7%［26］。同時，其診斷腫塊結果與主觀診斷的結果類似［23］。IOTA三步法則不僅適用于低年資醫生，對于臨床教學也有重要意義。大多數的晚期及轉移性卵巢癌可以用這種方法診斷，但假陰性病例大多是交界性或早期侵襲性卵巢癌，未來應該側重研究如何提高交界性和早期侵襲性卵巢癌的診斷能力，并且進一步研究三步法則是否優于前兩步的診斷價值［27］。

2.3 "簡單法則風險預測模型（SRR）

2016年，有學者在SR的基礎上提出了SRR［28］，解決了SR不適用于所有腫塊的問題且對豐富血流信號的定義更加明確，SRR根據SR中的10個超聲特征計算卵巢-附件腫塊的惡性風險。

2.3.1 "SSR模型具體應用方法 " 良性超聲特征（B特征）：單房性囊腫；實性成分最大徑lt;7 mm；腫物后方伴有聲影；lt;10 cm的光滑多房性囊腫；無血流信號，CS=1；惡性超聲特征（M特征）：不規則實性腫物；腹腔積液；≥4個乳頭狀突起；≥10 cm的不規則多房囊實性腫物；豐富血流信號，CS=4。

SSR模型風險計算可在線獲取，將卵巢-附件腫塊分為非常低風險、低風險、中等風險、高風險、非常高風險這5級，不同等級的診斷標準見（表4）。

2.3.2 "SSR模型良惡性判定 " SSR模型最佳截斷值為gt;3級，SRR1-3級歸為良性，SRR4-5級歸為惡性［28］。

2.3.3 "SSR模型臨床應用 "有研究發現，其診斷卵巢-附件腫塊的敏感度和特異度分別為86.23%、82.85%；SSR區分腫塊良惡性的AUC為0.941［6］。用三步法則診斷且第2步用SSR代替SR時，敏感度增加（98.4% vs 95.2%）［26］。另外，一項前瞻性研究表明該模型還可以用來估計每一個附件腫塊的惡性的風險，對不同患者進行個性化的管理［29］。

2.4 "ADNEX模型

2014年，IOTA開發出ADNEX模型［30］，分為有CA125和無CA125兩種模式［30］，兩種模式都能有效地鑒別卵巢-附件腫塊的良惡性［31］，并且在術前對腫瘤進行亞分類，更有利于臨床醫生對不同卵巢-附件腫塊制定個性化的診療方案。

2.4.1 "ADNEX模型具體應用方法 " ADNEX模型包含9項指標（表5），該模型可在網上和移動的應用程序中獲得，輸入指標后，ADNEX模型會為某個卵巢-附件腫塊提供惡性腫瘤亞型的風險評估。

2.4.2 "ADNEX模型臨床應用 " ADNEX模型診斷卵巢-附件腫塊的敏感度為93.3%，特異性為77.8%，診斷價值高[32]。該模型不僅能診斷腫塊良惡性，還是目前唯一可以在術前進行腫瘤亞分類的模型［30］。該模型將卵巢-附件腫塊分為5種亞型：良性腫瘤，交界性腫瘤，Ⅰ期、Ⅱ～Ⅳ期及轉移性卵巢癌。其對不同亞分類的腫塊鑒別診斷能力不同［32］：在區分大多數腫塊亞分類方面表現良好（AUC為0.61～0.99），特別是在區分II～IV期卵巢癌和良性腫塊時AUC為0.99；然而，在區分I期卵巢癌和交界性腫瘤的AUC為0.61，II～IV期卵巢癌和轉移性卵巢癌的AUC為0.78，在這些腫瘤鑒別方面效果不佳。但研究認為，納入CA125可以提高模型的診斷效能［33］。該模型在術前進行腫瘤亞分類有重要的臨床意義，可使部分育齡期患者能夠進行保存生育功能的手術，也能幫助其他患者選擇最合適的手術方法，或者在轉移的情況下追溯其原發病灶［31］。

納入CA125的ADNEX模型能夠提高II～IV期卵巢癌與轉移性卵巢癌的鑒別效能，但不能提高I期卵巢癌與II～IV期卵巢癌、I期卵巢癌與轉移性卵巢癌的鑒別效能。研究指出，超聲醫師的經驗判斷在臨床工作中仍然發揮著重要作用，特別是對輸卵管感染性疾病的診斷（其部分特征與惡性卵巢-附件腫塊的乳頭結構或多房的特征相似）［34］。此模型還需要特定的軟件以及人工輸入相應的指標，目前多用于可疑交界或惡性病變的分類，以協助制定最佳治療方案［12］。因此該模型仍需進一步完善。ADNEX模型若能結合絕經狀態、其他腫瘤指標、血流參數等臨床指標及檢查方法，將醫師經驗應用于該模型的未來更新中，進一步詳細規范腫塊的良惡性特征參數，有望提高各亞分類的鑒別效能及卵巢惡性腫瘤與非特異性感染疾病的診斷效能［14， 35］。

3 "婦科影像報告與數據系統（GI-RADS）

有學者于2009年建立了GI-RADS，該系統分類方法簡單易行，對腫塊良惡性診斷價值較高［36］。不僅規范了超聲報告，同時減少了超聲醫師和臨床醫生之間溝通的誤差，有助于臨床醫師選擇合適的診療方案。

3.1 "GI-RADS模型具體應用方法

對腫塊進行分類，評估其惡性風險（表6）。其中惡性征象：乳頭狀突起≥7 mm；分隔/壁厚≥3 mm；存在中心性血流（血流分布于分隔、乳頭狀突起、實性區域或實性腫瘤的中心區域）；血流阻力指數（RI）lt;0.50；實性成分≥50%；腹腔積液。

3.2 "GI-RADS模型臨床應用

GI-RADS不僅能根據超聲特征診斷疾病，還可以評估腫塊惡性風險概率［37］。有研究指出，GI-RADS對腫塊良惡性診斷的敏感度為92.7%，特異度為93.6%［38］。不同年資醫師用GI-RADS診斷腫塊的一致性較好（Kappa=0.896）［39］。GI-RADS為超聲科醫生提供了一個科學的分類方法，對腫塊診斷價值較高。但是，GI-RADS系統中的惡性特征作為分類的重要依據，而并非惡性腫塊的特征性表現，一些出血性囊腫可探及周邊環狀或半環狀血流信號且阻力指數較低；畸胎瘤、異位妊娠超聲圖像復雜，暫不采用GI-RADS分類系統進行評估；一些特殊情況需要結合臨床檢驗指標綜合判斷［37］。此外，GI-RADS分類過于依賴超聲醫師的經驗，因不同醫生對血流信號的描述存在差異，導致誤診占比較大［12， 37］。此外，惡性腫塊在絕經后婦女（62.2%）中高于絕經前婦女（37.8%）［39］，因此絕經狀態可能是影響該模型診斷卵巢-附件腫塊的重要因素之一，也可加入研究中。

4 "卵巢-附件超聲報告和數據系統（O-RADS）

2020年美國放射學會提出O-RADS［40］，該系統規范了病變描述，提出了典型良性病變；減少了不同超聲醫師間對病變描述及報告的差異，標準化的術語也便于與臨床醫師溝通，并且為不同風險等級的患者提供了相應的管理方式。2022年11月，美國放射學會更新了O-RADS，進一步澄清了管理概念和詞匯術語，細化了風險分層類別，加強了管理建議。

4.1 "2022版O-RADS分類具體應用方法

O-RADS評估細則[41]（表7）。

4.2 "2022版O-RADS分類主要更新點

4.2.1 "臨床應用方面 " 適用于卵巢、疑似涉及卵巢、輸卵管的病變以及卵巢旁囊腫；不適用于盆腔炎性疾病、異位妊娠、正常卵巢扭轉的部分急診患者，以及明確為非卵巢/非輸卵管起源的病變等；雙側和多發性病變多數情況下以O-RADS評分最高的病變指導管理；為絕經狀態不確定或子宮切除的患者提供了指導；其他。

4.2.2 "內容方面 " O-RADS 0類：因技術因素不能確定病灶特征的附件腫塊；O-RADS 1類：正常卵巢、卵泡及強調形態學及多普勒特征的黃體；O-RADS 2～5類中增加了“雙房”，降低了雙房囊腫的惡性風險；規范了典型卵巢良性病變：其中包含單房的典型出血性囊腫；≤3房的典型的皮樣囊腫和卵巢子宮內膜異位囊腫；O-RADS 3～5類的實性病變中增加了聲影，提高實性病變的特異性。

4.3 O-RADS分類臨床應用

O-RADS分類覆蓋面更廣泛，可重復性更強，有利于超聲醫師之間、超聲醫師與臨床醫師之間溝通。研究指出，O-RADS分類對卵巢-附件腫塊良惡性鑒別的敏感性和特異性分別為90.60%、81.90%［42］。O-RADS分類還可以對不同病理類型的卵巢-附件腫塊進行鑒別診斷，其鑒別性索-間質腫瘤、上皮-間葉腫瘤、生殖細胞腫瘤的AUC分別為0.926、0.963及0.923［43］。研究表明［44］，不同年資超聲醫師用O-RADS分類診斷卵巢-附件腫塊的一致性較好（Kappa值為0.795），O-RADS診斷惡性腫塊的敏感性高于醫師的主觀判斷［45］。

O-RADS分類有較好的診斷效能，但其診斷依賴于醫師的主觀判斷。研究指出，在外部輪廓、內部回聲及血流信號3個方面，不同年資超聲醫師的判讀可能存在差異，導致同一腫塊的分類不同［44］。目前國內外針對2022版O-RADS超聲分層和管理系統的研究較少，后續需要進行更多（回顧性、前瞻性、大樣本、多中心性等）試驗，以研究超聲專家和非超聲專家間的使用是否有差異性以及不同年資醫師診斷一致性是否有所提高。

5 "前景與展望

上述評分系統中，ADNEX模型包含超聲和臨床指標，IOTA SR和O-RADS系統相對簡單，準確度高，已廣泛應用于臨床工作中［12］。其中，O-RADS分類是目前唯一包含所有風險類別和管理方案的系統［40］，研究指出［12］該模型具有最高的敏感度及較高的一致性，能夠減少或消除既往超聲報告的模糊性，對臨床診療有重要意義。但臨床工作中使用該分類還需超聲醫師與臨床醫師共同學習，其中存在部分有歧義的細節有待完善：囊壁和分隔的鑒別、實性成分與血凝塊及畸胎瘤部分成分的鑒別、血流信號評分的判定、不同組織來源的緊鄰腫塊的判斷、炎性病灶（非特異性炎癥）的鑒別診斷等。目前O-RADS分類旨在提高卵巢-附件腫塊的診斷靈敏度，避免卵巢惡性腫瘤的漏診［12］。近年來有文獻報道［46］，O-RADS聯合超聲造影對腫塊的診斷效能比單獨使用O-RADS或超聲造影更高。此外，國外的O-RADS分類系統及管理建議與中國醫療現狀間存在一些不匹配之處，國外分類系統復雜給臨床工作帶來諸多不便，因此學者們可以借鑒甲狀腺結節或乳腺結節的分類系統在平衡分類準確性和臨床易用性的前提下，結合中國國情和醫療現狀，建立規范完整的適合中國的卵巢-附件腫塊超聲評分系統。

此外，超聲醫師用上述評分系統進行診斷時有一定的主觀性。隨著人工智能在醫學中的發展，可將其廣泛應用于卵巢-附件腫塊的診治中。研究指出，人工智能聯合醫學影像在診斷卵巢癌方面已經表現出良好的性能［47］。未來可以應用卵巢-附件腫塊的超聲圖像及腫瘤指標，基于深度學習算法構建診斷卵巢-附件腫塊良惡性的模型，并開發特定的診斷模型應用軟件置入超聲儀器內，達到即時診斷的效果，將人工智能與超聲評分系統及超聲醫師廣泛高效地結合，幫助醫師發現更細節的超聲特征、建立更規范精準的輔助標準、降低對醫師經驗的依賴性，達到超聲精準診斷卵巢-附件腫塊的效果，從而更好的服務于臨床診療［48］。

參考文獻：

［1］ " 張國楠， 劉 "紅. 附件包塊的診治策略［J］. 中國實用婦科與產科雜志， 2020， 36（12）： 1129-31.

［2］ "Lhotova K， Stolarova L， Zemankova P， et al. Multigene panel germline testing of 1333 Czech patients with ovarian cancer［J］. Cancers， 2020， 12（4）： 956.

［3］ " Torre LA， Trabert B， DeSantis CE， et al. Ovarian cancer statistics， 2018［J］. CA a Cancer J Clin， 2018， 68（4）： 284-96.

［4］ "Menon U， Gentry-Maharaj A， Burnell M， et al. Ovarian cancer population screening and mortality after long-term follow-up in the UK Collaborative Trial of Ovarian Cancer Screening （UKCTOCS）： a randomised controlled trial［J］. Lancet， 2021， 397（10290）： 2182-93.

［5］ " 盧雯平， 白 "萍， 田小飛， 等. 卵巢癌中西醫結合診療指南［J］. 中國醫藥， 2024， 19（5）： 641-8.

［6］ " 曾 "艷， 祝鳳翠， 宋化雨， 等. 婦科影像報告-數據系統、簡單法則風險預測對卵巢癌的診斷價值［J］. 中國優生與遺傳雜志， 2022， 30（6）： 1024-7.

［7］ "Jacobs I， Oram D， Fairbanks J， et al. A risk of malignancy index incorporating CA 125， ultrasound and menopausal status for the accurate preoperative diagnosis of ovarian cancer［J］. Br J Obstet Gynaecol， 1990， 97（10）： 922-9.

［8］ "Tingulstad S， Hagen B， Skjeldestad FE， et al. Evaluation of a risk of malignancy index based on serum CA125， ultrasound findings and menopausal status in the pre-operative diagnosis of pelvic masses［J］. Br J Obstet Gynaecol， 1996， 103（8）： 826-31.

［9］ Tingulstad S， Hagen B， Skjeldestad FE， et al. The risk-of-malignancy index to evaluate potential ovarian cancers in local hospitals［J］. Obstet Gynecol， 1999， 93（3）： 448-52.

［10］Yamamoto Y， Yamada R， Oguri H， et al. Comparison of four malignancy risk indices in the preoperative evaluation of patients with pelvic masses［J］. Eur J Obstet Gynecol Reprod Biol， 2009， 144（2）： 163-7.

［11］ "李小利， 潘 "志， 劉傳金， 等. 改良惡性風險指數聯合哥本哈根指數鑒別診斷卵巢腫瘤良惡性的價值［J］. 臨床超聲醫學雜志， 2022， 24（6）： 469-72.

［12］ "秦緒穎， 王瑞國， 王 "穩， 等. 卵巢腫瘤良惡性風險評估方法學中國專家共識（2024年版）［J］. 中國實用婦科與產科雜志， 2024， 40（3）： 312-20.

［13］ "馬士紅， 李曉琴， 施燕蕓. 四種惡性風險指數對卵巢腫瘤良惡性鑒別的診斷價值［J］. 中華醫學超聲雜志： 電子版， 2020， 17（11）： 1108-13.

［14］ 和 "平， 吳青青， 孫麗娟， 等. 對比觀察ADNEX模型、簡單規則風險估計模型及惡性風險指數診斷卵巢良惡性腫瘤［J］. 中國醫學影像技術， 2019， 35（1）： 104-7.

［15］ Timmerman D， Planchamp F， Bourne T， et al. ESGO/ISUOG/IOTA/ESGE Consensus Statement on pre?operative diagnosis of ovarian tumors［J］. Int J Gynecol Cancer， 2021， 31（7）： 961-82.

［16］ Timmerman D， Valentin L， Bourne TH， et al. Terms， definitions and measurements to describe the sonographic features of adnexal tumors： a consensus opinion from the International Ovarian Tumor Analysis （IOTA） Group［J］. Ultrasound Obstet Gynecol， 2000， 16（5）： 500-5.

［17］ Valentin L， Hagen B， Tingulstad S， et al. Comparison of 'pattern recognition'and logistic regression models for discrimination between benign and malignant pelvic masses： a prospective cross validation［J］. Ultrasound Obstet Gynecol， 2001， 18（4）： 357-65.

［18］Zhang XY， Meng X， Dou T， et al. Diagnostic accuracy of transvaginal ultrasound examination for assigning a specific diagnosis to adnexal masses： a meta?analysis［J］. Exp Ther Med， 2020， 20（6）： 265.

［19］ Timmerman D， Testa AC， Bourne T， et al. Logistic regression model to distinguish between the benign and malignant adnexal mass before surgery： a multicenter study by the International Ovarian Tumor Analysis Group［J］. J Clin Oncol， 2005， 23（34）： 8794-801.

［20］ "Nunes N， Ambler G， Foo X， et al. Prospective evaluation of IOTA logistic regression models LR1 and LR2 in comparison with subjective pattern recognition for diagnosis of ovarian cancer in an outpatient setting［J］. Ultrasound Obstet Gynecol， 2018， 51（6）： 829-35.

［21］ "張會萍， 周毓青. 卵巢腫瘤超聲評價方法的進展和臨床應用［J］. 腫瘤影像學，2024， 33（02） ：194-199.

［22］ "王 "碩， 王玲玲， 鄭秀蘭. IOTA超聲診斷模型在卵巢腫瘤診斷方面的應用進展［J］. 現代腫瘤醫學， 2022， 30（8）： 1491-5.

［23］ Ameye L， Timmerman D， Valentin L， et al. Clinically oriented three?step strategy for assessment of adnexal pathology［J］. Ultrasound Obstet Gynecol， 2012， 40（5）： 582-91.

［24］ "Timmerman D， Testa AC， Bourne T， et al. Simple ultrasound-based rules for the diagnosis of ovarian cancer［J］. Ultrasound Obstet Gynecol， 2008， 31（6）： 681-90.

［25］ "田 "彩， 李海燕， 劉 "潔， 等. IOTA超聲簡易標準診斷附件腫瘤良惡性的價值［J］. 河北醫藥， 2023， 45（22）： 3432-6.

［26］ "Hidalgo JJ， Ros F， Aubá M， et al. Prospective external validation of IOTA three-step strategy for characterizing and classifying adnexal masses and retrospective assessment of alternative two?step strategy using simple?rules risk［J］. Ultrasound Obstet Gynecol， 2019， 53（5）： 693-700.

［27］ "Alcázar JL， Pascual MA， Graupera B， et al. External validation of IOTA simple descriptors and simple rules for classifying adnexal masses［J］. Ultrasound Obstet Gynecol， 2016， 48（3）： 397-402.

［28］ "Timmerman D， van Calster B， Testa A， et al. Predicting the risk of malignancy in adnexal masses based on the Simple Rules from the International Ovarian Tumor Analysis Group［J］. Am J Obstet Gynecol， 2016， 214（4）： 424-37.

［29］ Solanki V， Singh P， Sharma C， et al. Predicting malignancy in adnexal masses by the international ovarian tumor analysis-simple rules［J］. J Midlife Health， 2020， 11（4）： 217-23.

［30］ "van Calster B， van Hoorde K， Valentin L， et al. Evaluating the risk of ovarian cancer before surgery using the ADNEX model to differentiate between benign， borderline， early and advanced stage invasive， and secondary metastatic tumours： prospective multicentre diagnostic study［J］. BMJ， 2014， 349： g5920.

［31］ "Sayasneh A， Ferrara L， de Cock B， et al. Evaluating the risk of ovarian cancer before surgery using the ADNEX model： a multicentre external validation study［J］. Br J Cancer， 2016， 115（5）： 542-8.

［32］ Chen H， Qian L， Jiang M， et al. Performance of IOTA ADNEX model in evaluating adnexal masses in a gynecological oncology center in China［J］. Ultrasound Obstet Gynecol， 2019， 54（6）： 815-22.

［33］ "倪仲馨， 陳 "慧. ADNEX模型鑒別轉移性與原發性卵巢癌的診斷效能研究［J］. 診斷學理論與實踐， 2023， 22（6）： 573-8.

［34］ "劉真真， 石志敏， 徐鐘慧， 等. IOTA ADNEX模型與簡單法則對附件區疑難病變的診斷價值［J］. 中華醫學超聲雜志（電子版）， 2020， 17（11） ：1084-9.

［35］ "Szubert S， Wojtowicz A， Moszynski R， et al. External validation of the IOTA ADNEX model performed by two independent gynecologic centers［J］. Gynecol Oncol， 2016， 142（3）： 490-5.

［36］ Amor F， Vaccaro H， Alcázar JL， et al. Gynecologic imaging reporting and data system： a new proposal for classifying adnexal masses on the basis of sonographic findings［J］. J Ultrasound Med， 2009， 28（3）： 285-91.

［37］ "Amor F， Alcázar JL， Vaccaro H， et al. GI-RADS reporting system for ultrasound evaluation of adnexal masses in clinical practice： a prospective multicenter study［J］. Ultrasound Obstet Gynecol， 2011， 38（4）： 450-5.

［38］ Basha MAA， Metwally MI， Gamil SA， et al. Comparison of O-RADS， GI-RADS， and IOTA simple rules regarding malignancy rate， validity， and reliability for diagnosis of adnexal masses［J］. "Eur Radiol， 2021， 31（2）： 674-84.

［39］ Basha MAA， Refaat R， Ibrahim SA， et al. Gynecology Imaging Reporting and Data System （GI?RADS）： diagnostic performance and inter-reviewer agreement［J］. Eur Radiol， 2019， 29（11）： 5981-90.

［40］ "Andreotti RF， Timmerman D， Strachowski LM， et al. O-RADS US risk stratification and management system： a consensus guideline from the ACR ovarian?adnexal reporting and data system committee［J］. Radiology， 2020， 294（1）： 168-85.

［41］ "Strachowski LM， Jha P， Phillips CH， et al. O-RADS US v2022： an update from the American college of radiology's ovarian?adnexal reporting and data system US committee［J］. Radiology， 2023， 308（3）： e230685.

［42］ "Jha P， Gupta A， Baran TM， et al. Diagnostic performance of the ovarian-adnexal reporting and data system （O-RADS） ultrasound risk score in women in the United States［J］. JAMA Netw Open， 2022， 5（6）： e2216370.

［43］ "盧穎瀾， 吳青青， 和 "平， 等. 卵巢-附件報告和數據系統（O-RADS）定性診斷卵巢腫瘤效能［J］. 中國醫學影像技術， 2022， 38（9）： 1367-70.

［44］ "謝映鮮， 王鈺丹， 沈若霞， 等. 不同觀察者基于卵巢-附件影像報告和數據系統診斷卵巢附件腫塊的一致性研究［J］. 醫學影像學雜志， 2024， 34（2）： 91-4.

［45］ "Zhou S， Guo YY， Wen LM， et al. Comparison of the diagnostic efficiency between the O-RADS US risk stratification system and doctors' subjective judgment［J］. BMC Med Imaging， 2023， 23（1）： 190.

［46］ "楊 "琳， 張 "勇， 穆曉晶， 等. 卵巢-附件影像報告和數據系統聯合超聲造影鑒別卵巢良惡性腫瘤的臨床價值［J］. 腫瘤影像學， 2023， 32（3）： 291-7.

［47］ "Xu HL， Gong TT， Liu FH， et al. Artificial intelligence performance in image?based ovarian cancer identification： a systematic review and meta-analysis［J］. EClinicalMedicine， 2022， 53： 101662.

［48］Park SH， Han K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction［J］. Radiology， 2018， 286（3）： "800-9.

（編輯：林 "萍）