机器学习用于恶性与良性肝脏焦点病变的US和CEUS:一个元分析

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 焦点性肝病变 (FLLs) 需要准确地分为恶性或良性类别,以进行适当的患者管理.
• 传统和深度学习 (DL) 算法越来越多地被探索,因为它们有可能提高医学成像中的诊断准确性.
• 超声波 (US) 和对比度增强超声波 (CEUS) 是评估FLL的关键成像方式.

研究的目的:

• 对ML算法的诊断性能进行元分析,以对恶性与良性FLL进行分类.
• 评估ML性能,特别是针对US和CEUS模式.
• 为了比较传统的ML和深度学习 (DL) 算法性能.

主要方法:

• 通过2022年9月进行了系统的文献搜索.
• 包括的研究评估了ML算法,用于在US和/或CEUS上对FLL进行分类.
• 计算了每个模式的聚合灵敏度和特异性.

主要成果:

• 分析包括了美国的8项研究,CEUS的11项研究和两者的1项研究,评估了34,245个FLL.
• 对美国的ML的综合灵敏度和特异性分别为81.7%和84.8%;对于CEUS,它们分别为87.1%和87.0%.
• 在CEUS子组分析中的深度学习算法显示出更高的灵敏度 (92.4%) 和特异性 (88.2%).

结论:

• 机器学习算法提供高诊断性能,用于区分恶性和良性焦点肝病变,使用US和CEUS.
• 机器学习算法的诊断能力在US和CEUS之间是可比的,在CEUS中DL模型具有显著的优势.
• 这些发现支持将ML纳入临床实践,以改善FLL的表征,可能有助于更早,更准确的诊断.