関連する実験動画
Updated: Sep 10, 2025
08:41
A MRI-Based Toolbox for Neurosurgical Planning in Nonhuman Primates
Published on: July 17, 2020
5.0K
神経外科における人工知能の公開データセット:体系的なレビュー
Bianca Chan1, Brandon Kim1, Ethan Schonfeld1,2
1Stanford Neurosurgical Artificial Intelligence and Machine Learning Laboratory, Stanford School of Medicine, Stanford University, Stanford, CA 94305, USA.
Journal of clinical medicine
|August 28, 2025
まとめ
人工知能 (AI) のための高品質の神経外科データセットは,特に結果ラベルを持つものは稀です. 現在のAIモデルには 外部検証や多様なデータが欠けていて 臨床実践への安全な統合を妨げています
科学分野:
- 神経外科
- 人工知能
- 機械学習
- 医療用イメージング
背景:
- 神経外科のための人工知能 (AI) の進歩は,広範囲で高品質なラベル付きのデータセットに依存しています.
- このようなデータセットの作成は,神経外科データラベリングに必要な専門知識のために困難です.
- 既存のデータセットの包括的な概要は,ギャップを特定し,将来のデータ収集の取り組みを導くために不可欠です.
研究 の 目的:
- 機械学習アプリケーションに適した,一般に利用可能な神経外科データセットを体系的に検討し,特徴づけること.
- 現在のデータセットの限界と,神経外科におけるAIモデル開発と検証への影響を特定する.
- 神経外科医療におけるAI統合を強化するための将来のデータセット開発のための勧告を提供すること.
主な方法:
- PRISMAのガイドラインに従って,体系的な文献レビューが行われました.
- PubMedは2025年2月8日に検索され,登録基準を満たす86件の記事267件が特定されました.
- 抽出したデータには,データセットの特性,モデル開発,検証,可用性,引用の影響が含まれています.
主要な成果:
- ほとんどの研究 (83. 7%) は,腫瘍,血管,またはトラウマの症例を限定して,脊椎病理に焦点を当てた.
- 画像方法には,X線 (37.2%),MRI (29.1%),CT (20. 9%) が含まれていた.
- ラベルタイプは主にセグメンテーション (36.0%) と診断 (26.7%) で,アウトカムラベルは希少でした (2.3%).
- 外部検証は22. 6%の研究で,コード共有は20. 2%で,公的なアプリケーションは7. 1%で報告されました.
- 精度はセグメンテーションタスクでも最も一般的なメトリックで,サブ最適評価メトリックが頻繁に使用されました.
結論:
- 一般に利用可能な神経外科データセットは 脊髄画像に大きく偏っており 重要な臨床データと結果データがない.
- 既存のAIモデルは,外部検証が不十分で,再現性が不十分で,評価基準が不適切である.
- 将来の取り組みは,結果のラベルと検証されたモデルを備えた多種多様な多機関データセットを作成し,神経外科における安全なAI統合を確保することに焦点を当てなければなりません.
