传统的机器学习方法与深度学习对脑膜瘤的分类,分级,结果预测和细分:系统性审查和元分析

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 脑膜瘤是常见的内瘤,具有机器学习 (ML) 的各种管理应用.
• 包括传统和深度学习 (DL) 方法在内的ML算法越来越多地用于提高脑膜瘤分类,分级,结果预测和细分的准确性.
• 这项研究系统地评估和比较传统的ML与DL算法的性能,在这些关键领域的脑膜瘤管理.

研究的目的:

• 为了比较传统的ML和DL算法在脑膜瘤分类,分级,结果预测和细分方面的性能.
• 系统地审查和分析关于在脑膜瘤管理中的ML发表的研究.

主要方法:

• 在2021年9月之前,对主要数据库进行了系统审查和元分析.
• 包括的研究评估了传统的ML与DL模型用于脑膜瘤管理.
• 性能指标,如聚合灵敏度,特异性,F1得分,AUC,LR+和LR-使用随机效应模型来推导.

主要成果:

• 包括43篇文章,重点是分类 (3),分级 (29),结果预测 (7) 和细分 (6).
• 对于脑膜瘤分级,DL模型显示灵敏度为0.89和特异性为0.91.
• 传统的ML分级模型表现出0.74的灵敏度和0.93的特异性,与DL相比LR+更高,LR-更低.

结论:

• 在脑膜瘤管理中的机器学习应用目前主要由传统方法主导.
• 特别是对于脑膜瘤分级,传统的ML方法通常会产生更高的积极概率比率 (LR+).
• 虽然深度学习模型表现出强的表现,但与传统的ML相比,在脑膜瘤分级中,积极概率比率 (LR+) 较低.