目的:探讨人工智能技术对卵巢肿瘤的CT图像分析以及联合肿瘤标志物判定良恶性的应用价值。方法:回顾性收集2018年7月至2021年11月在四川省人民医院因卵巢肿瘤行手术治疗,术前行盆腔或盆腹腔增强CT检查,且经手术后组织病理学检查证实的良性、交界性、恶性的卵巢浆液性、粘液性肿瘤患者共计138例。选取患者盆腹腔增强CT图中卵巢肿瘤病灶区域完整且边缘清晰易于标注的图像。按照病例数3:1的比例随机划分为训练集和测试集。其中,训练集103例共计3261幅图像,测试集35例共计960幅图像。将训练集3216幅原始医学影像CT图像标注病灶区域,生成图像标签,经过数据增强后,输入到人工智能图像分析模型中进行训练。本研究使用的人工智能图像分析模型是基于深度学习方法的改进U-Net模型和Res Net模型。训练完成后,使用测试集960幅原始医学影像CT图像数据进行测试,得到卵巢肿瘤良恶性判断。最后将测试集960幅图像经人工智能图像分析模型分析后与相应的肿瘤标志物指标一同输入人工智能融合模型,得到最终测试集卵巢肿瘤良恶性的判定。另外,对测试集960幅原图像进行编号,隐去患者信息并随机打乱顺序后,经由主任医师、主治医师、住院医师在结合和不结合肿瘤标志物指标情况下,对CT图像逐一做出判断。本研究数据分析与处理采用SPSS21.0统计软件。统计和整理人工智能模型在联合和不联合肿瘤标志物以及不同医师联合和不联合肿瘤标志物分别对影像CT图像的判断结果,以术后组织病理学检查结果为确诊标准,计算准确度、灵敏度、特异度、阳性预测值、阴性预测值、约登指数。参数指标组间差异比较采用Mc Nemar检验（配对卡方检验）。以P＜0.05为差异具有统计学意义。结果:无论结合或不结合肿瘤标志物指标,住院医师和主治医师分别对960幅CT图像诊断的准确度、特异度、灵敏度无统计学差异（p＞0.05）。AI融合模型在准确率、特异度、灵敏度上均优于AI模型,具有统计学差异（p＜0.05）。不管是AI模型还是AI融合模型,各个参数指标值均大于住院医师和主治医师的诊断结果（p＜0.05）,且AI融合模型的准确度、灵敏度、特异度分别为91.9%、91.9%、91.8%,各个指标均大于90%。主任医师结合肿瘤标志物时相比AI融合模型在灵敏度更优（p＜0.05）,但AI融合模型的特异度优于主任医师（p＜0.05）;主任医师未结合肿瘤标志物时,AI融合模型和主任医师对CT图像诊断的特异度相当（p＞0.05）,两者无统计学差异,但主任医师在灵敏度及准确度上均优于AI融合模型（p＜0.05）。结论:1、基于深度学习的CT图像分析联合肿瘤标志物对卵巢肿瘤良恶性判断具有较高的准确度、灵敏度、特异度,各项指标均在90%以上,显示了一定的临床价值。2、相比高年资医师对CT图像的判断,人工智能技术与医师诊断水平之间还存在差距,还需进一步改善。