深度学习对甲状腺结节成像的性能预测甲状腺癌:通过独立的外部测试集进行流行病学研究的系统审查和元分析
Jin Xu1, He-Li Xu2, Yi-Ning Cao3
1Department of Obstetrics and Gynecology, Shengjing Hospital of China Medical University, Shenyang, China.
Diabetes & metabolic syndrome
|October 31, 2023
概括
深度学习 (DL) 系统在从图像中对甲状腺结节进行分类时表现出高准确度. 这些人工智能工具在甲状腺结节评估的诊断准确性方面与临床医生相比性能强.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习 (DL) 系统用于甲状腺结节成像分类的诊断准确性仍在争论中.
- 对DL算法的外部验证对于评估其实际性能至关重要.
研究的目的:
- 系统地审查和分析目前关于甲状腺结节成像中DL诊断性能的证据.
- 在内部和外部验证测试集中评估DL准确性.
主要方法:
- 在主要数据库 (PubMed,IEEE,Embase,Web of Science,Cochrane Library) 进行了全面的文献搜索,直到2022年12月.
- 包括的研究重点是外部验证的DL技术,用于基于图像的甲状腺结节评估.
- 对符合条件的研究 (n=14) 进行了元分析,以汇集诊断绩效指标.
主要成果:
- 对17项研究的元分析显示,DL算法的聚合灵敏度,特异性和AUC分别为0.89,0.84和0.93.
- 内部验证集显示了0.91 (灵敏度),0.88 (特异性) 和0.96 (AUC) 的聚合性能指标.
- 外部验证集显示了0.87 (灵敏度),0.81 (特异性) 和0.91 (AUC) 的聚合性能指标,表明了强大的诊断有效性.
结论:
- 基于深度学习的成像显示了与临床医生在区分甲状腺结节的诊断性能相似的诊断性能.
- 这些发现支持DL作为甲状腺结节诊断的宝贵工具的实用性.
- 在各种子组分析中,DL算法表现出异常的诊断有效性.
