基于图像的妇科癌症诊断的深度学习模型:系统审查和元分析
Asefa Adimasu Taddese1,2, Binyam Chakilu Tilahun1,2, Tadesse Awoke3
1Department of Health Informatics, Institute of Public Health, College of Medicine and Health Sciences, University of Gondar, Gondar, Ethiopia.
Frontiers in oncology
|January 26, 2024
概括
深度学习 (DL) 显示了改善妇科癌症诊断的前景,特别是在服务不足的地区. 虽然DL模型比传统的机器学习具有更高的灵敏度,但需要进一步的研究来确认其诊断准确性.
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:
- 妇科癌症是全球主要的健康问题,特别是在资源有限的环境中.
- 目前的诊断方法依赖于人类图像分析,这可能是不一致和不准确的.
- 深度学习 (DL) 为客观和准确的基于图像的诊断提供了一个潜在的解决方案.
研究的目的:
- 系统地审查和元分析最近在妇科癌症诊断中DL技术的进展.
- 探索DL在这个领域的未来影响,特别是对于资源有限的环境.
主要方法:
- 按照PRISMA-2指南进行系统审查和元分析,并注册PROSPERO.
- 在五个数据库中搜索了2018年1月至2022年12月间发表的文章.
- 包括使用DL进行诊断的五种妇科癌症类型的研究;使用QUADAS-2评估质量;使用随机效应模型汇总敏感性和特异性.
主要成果:
- 包括48项研究在综述中和24项在元分析中,使用各种图像和DL模型 (ResNet,VGGNet,UNet).
- 与机器学习 (ML) 方法相比,DL算法显示出更高的灵敏度,但较低的特异性.
- 对于DL算法,曲线下的面积 (AUC) 超过了ML方法的面积;48项研究中的41项具有偏差风险较低.
结论:
- DL具有显著的潜力,可以提高妇科癌症查和诊断,特别是在资源有限的环境中.
- 高异质性和可变的研究质量可能会影响当前发现的有效性.
- 进一步的研究是必要的,以验证这些结果,并充分探索DL的诊断能力在妇科.
