深度学习算法的性能,以区分高级质瘤和低级质瘤:系统性审查和元分析
Wanyi Sun1, Cheng Song2, Chao Tang3
1Department of Cancer Epidemiology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
iScience
|May 30, 2023
概括
深度学习 (DL) 在分类质瘤方面显示出高精度,达到94%的灵敏度和93%的特异性. 然而,数据合并,样本大小和标准化的局限性需要解决神经瘤学中的AI问题.
科学领域:
- 神经瘤学神经瘤学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 质瘤分类对于治疗决策至关重要.
- 准确区分低度质瘤 (LGG) 和高度质瘤 (HGG) 仍然是一个挑战.
- 深度学习 (DL) 为神经瘤学中的自动图像分析提供了潜力.
研究的目的:
- 系统评估深度学习 (DL) 算法的诊断性能,以区分低级质瘤 (LGG) 和高级质瘤 (HGG).
- 综合已发表的关于DL在质瘤分级中的表现研究的证据.
- 确定DL应用程序的限制和改进领域,以进行质瘤分类.
主要方法:
- 在在线数据库中对2015年1月1日至2022年8月16日期间发表的研究进行了全面的文献搜索.
- 一个随机效应模型被用于元分析,聚合灵敏度 (SE),特异性 (SP) 和曲线下面积 (AUC).
- 使用希金斯不一致指数 (I2) 评估异质性,最终分析包括33项研究.
主要成果:
- 在质瘤分级中,DL的整体聚合灵敏度 (SE) 为94%,聚合特异性 (SP) 为93%.
- 曲线下的综合面积 (AUC) 达到0.98,表明诊断准确度很高.
- 在包括的研究中观察到显著的异质性,表明方法和报告的变化.
结论:
- 深度学习模型在分类质瘤等级方面表现出高准确性,支持其潜在的临床实用性.
- 发现的关键局限性包括对人工智能的标准化数据合并方法的需求,更大的样本大小,改进的图像预处理,以及一致的算法开发和报告.
- 解决这些局限性对于提高神经瘤学DL工具的可靠性和通用性至关重要.
