机器学习的超声波肝纤维化分类:一个系统的文献综述

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肝病学 肝病学是一种肝病学.

背景情况:

• 肝脏活检是肝纤维化诊断的传统黄金标准,由于潜在的并发症和非侵入性方法的进步,其依赖性正在下降.
• 超声波成像正在成为肝纤维化的首选诊断工具,因为它的可访问性和成本效益.

研究的目的:

• 本系统性审查批判性地检查了机器学习和深度学习 (ML/DL) 模型,用于使用超声数据进行非侵入性肝纤维化分类.
• 这项研究旨在评估ML/DL应用在该领域的现状和局限性.

主要方法:

• 在五个学术数据库中进行了系统的文献搜索,遵循系统审查和元分析 (PRISMA) 的首选报告项目指南.
• 研究是根据定义的人口,干预,比较,结果和研究设计 (PICOS) 框架进行选择的,使用Joanna Briggs Institute (JBI) 检查清单进行质量评估.

主要成果:

• 在188项选的研究中,选出了17项,并分为现成的 (OTS),注意力,生成和整体分类器.
• 大多数选定的研究使用了OTS分类器,将预先训练的ML / DL方法与纤维化阶段的放射学特征集成.
• 虽然ML/DL显示出潜力,但外部比较和前性临床试验的稀缺性限制了实际应用.

结论:

• 使用超声波预测肝病的自动化ML / DL解决方案正在推进,这是由于生物医学图像分析的成功所推动的.
• 这些非侵入性方法的临床实用性受到有限,不平衡的回顾性研究和显著异质性的限制.
• 标准化研究设计协议,包括仔细选择人群,干预措施,结果和比较,对于克服当前挑战至关重要.