结肠病中的深度学习:对疾病诊断的新型诊断方法的系统审查

科学领域:

• 医疗人工智能 医疗人工智能
• 胃肠病学 胃肠病学
• 诊断技术 诊断技术 诊断技术

背景情况:

• 结肠病影响全球人口的1%,目前的诊断是侵入性的和耗时的.
• 深度学习 (DL) 提供了非侵入性,准确的病诊断的潜力,但面临着挑战.

研究的目的:

• 系统地审查深度学习的应用程序,以诊断腹腔疾病.
• 确定研究缺口,以提高诊断准确性,敏感性和特异性.

主要方法:

• 按照PRISMA指南对PubMed,Embase,Web of Science和Scopus数据库进行系统审查.
• 包含原始研究文章,包括对DL的性能指标,以诊断或严重性为准.
• 由于数据异质性,使用 QUADAS-2 工具和叙事合成进行质量评估.

主要成果:

• 八项研究 (2017-2023) 满足了纳入标准,评估了CELIAC疾病诊断或严重程度的DL.
• 报告的准确度水平在84%至95.94%之间.
• 谷歌LeNet模型使用视频囊内镜图像实现了100%的灵敏度和特异性.

结论:

• 深度学习技术 (DLT) 显示出显著的潜力,可以提高腹腔疾病诊断的准确性,减少临床医生的偏见.
• 关键的挑战包括需要更大,更多样化的数据集,特别是用于检测较轻微的腹腔疾病.
• 进一步整合多个数据源对于全面的诊断至关重要,因为DLT仍处于早期发展阶段.