使用深度学习算法进行脑转移瘤细分和检测:系统审查和元分析
Ting-Wei Wang1, Ming-Sheng Hsu2, Wei-Kai Lee3
1Institute of Biophotonics, National Yang Ming Chiao Tung University, 155, Sec. 2, Li-Nong St. Beitou Dist., Taipei 112304, Taiwan; School of Medicine, College of Medicine, National Yang Ming Chiao Tung University, Taipei, Taiwan.
概括
深度学习算法在MRI扫描上检测大脑转移有希望,U-Net模型在细分方面表现出色. 为了更普遍的诊断工具,需要对更大的队列进行进一步的研究.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 通过MRI手动检测大脑转移是耗时且不一致的.
- 人们急需自动化和可靠的解决方案.
- 深度学习 (DL) 算法为改进检测和细分提供了潜在的途径.
研究的目的:
- 系统地审查和元分析DL算法在MRI中检测和细分大脑转移的有效性.
- 确定影响这些算法的性能因素.
主要方法:
- 在PubMed,Embase和Web of Science进行了全面的文献搜索,截至2023年5月24日,确定了42项研究.
- 使用QUADAS-2和CLAIM工具评估了研究质量.
- 使用随机效应模型计算了聚合的病变智能子得分,患者智能和病变智能灵敏度,并进行了子组和元回归分析.
主要成果:
- 深度学习模型,特别是U-Net变体,表现出高的细分精度.
- 检测灵敏度通过各种MRI硬件 (制造商和型号多样性) 得到改善.
- 合并的病变智能子得分为79%,患者智能和病变智能灵敏度分别为86%和87%.
结论:
- 深度学习具有显著的潜力,可以提高大脑转移的诊断和治疗计划.
- 用更大的队列和元分析进行进一步的研究对于开发实用和可概括的算法至关重要.
- 该研究强调了MRI硬件多样性和切片厚度对DL算法性能的影响.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K