深度学习用于通过放射数据诊断头癌:系统性审查和元分析
Rata Rokhshad1, Seyyede Niloufar Salehi2, Amirmohammad Yavari3
1Topic Group Dental Diagnostics and Digital Dentistry, ITU/WHO Focus Group, AI On Health, Berlin, Germany.
Oral radiology
|October 19, 2023
概括
深度学习模型在从医学图像中检测头癌 (HNC) 中显示出高准确度. 这些人工智能驱动的选工具可以显著改善HNC的诊断过程.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 头部和部癌症检测检测 头部和部癌症检测
背景情况:
- 头癌 (HNC) 的检测依赖于医学成像的准确解释.
- 深度学习 (DL) 为复杂的放射数据的自动化分析提供了潜力.
研究的目的:
- 系统地审查用于头癌检测的深度学习应用程序.
- 用MRI和X光数据评估DL模型的诊断性能.
- 评估DL在提高HNC选过程中的潜力.
主要方法:
- 在多个数据库 (PubMed,Scopus,Embase等) 中进行全面的文献搜索. 在2023年1月之前.
- 包括使用DL模型 (细分,检测,分类) 对头部和部医学图像 (CT,PET,MRI等) 的研究. ) 的情况.
- 使用QUADAS-2评估偏差风险;使用STATA与MIDAS和Metandi包进行的元分析.
主要成果:
- 在1967年的研究中,有32项符合资格标准;有7项具有偏差风险较低.
- 个体研究的准确性在82.6%至100%之间;灵敏度在74%至99.68%之间;特异性在66.6至90.1%之间.
- 对14项研究的元分析显示,聚合灵敏度为90%,聚合特异性为92%,DOR为103;没有检测到出版偏差.
结论:
- DL模型在HNC检测方面表现出高灵敏度和特异性.
- 人工智能驱动的查可以提高HNC诊断的可检测性和效率.
- 进一步将DL纳入医学成像工作流程是有必要的.
