基于正电子发射断层扫描 (PET) 的结果预测的放射学和机器学习原始文章的方法评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 放射学和机器学习 (ML) 在正电子发射断层扫描 (PET) 成像中显示出结果预测的前景.
• 这些先进技术的临床应用受到方法质量的限制的阻碍.
• 对现有方法的系统调查至关重要,以确定需要改进的领域.

研究的目的:

• 系统地评估已发表的放射学和ML研究的方法质量,用于基于PET的结果预测.
• 确定研究设计,数据处理和报告中常见的弱点.
• 评估随着时间的推移方法质量的趋势.

主要方法:

• 在PubMed.com进行了系统的文献搜索.
• 评估了2017年7月至2023年9月间发表的100篇文章.
• 文章根据17个预定义的方法标准进行评估,并以足够或不足够的二元分类.

主要成果:

• 标准中平均适应率为65%;在17个标准中,平均每条标准中只有12.5个是充分的.
• 19%的研究缺乏单独的培训和测试队列 (测试队列或交叉验证).
• 随着出版日期的延迟,没有观察到方法质量的显著提高;只有8%的源代码共享,10%的数据集可用.

结论:

• 在PET成像的放射学和ML研究中仍然存在显著的方法缺陷.
• 更好地遵守既定指南对于提高临床意义至关重要.
• 解决这些质量问题是促进在临床实践中广泛采用基于PET的放射学和ML的关键.