多种成像预测模型的预测价值,用于肺腺癌通过空气空间传播:系统性审查和网络元分析

科学领域:

• 肺部病理学 肺部病理学
• 在瘤学瘤学.
• 放射学 放射学是指放射学

背景情况:

• 通过空气空间传播 (STAS) 是肺腺癌 (LUAD) 复发的关键因素,影响手术决策和预后.
• 放射学模型为手术前的STAS预测提供了潜力,提高了手术精度和患者的结果.

研究的目的:

• 进行一个网络元分析,评估各种成像模型在 LUAD 中对 STAS 的预测效果.
• 通过放射学和机器学习确定用于STAS预测的最有效的诊断方法.

主要方法:

• 在主要数据库 (PubMed,Embase,Scopus等) 进行系统的文献搜索. 按照柯克莱恩指导方针.
• 使用Stata v17.0进行网络元分析,使用Surface Under the Cumulative Ranking Area (SUCRA) 进行模型比较.
• 使用Cochrane偏差风险工具进行质量评估,并通过Deeks的漏斗图表进行出版偏差评估.

主要成果:

• 分析包括14项涉及3734名患者的研究和17个预测模型.
• 机器学习 (ML)_Peri_tumor模型显示了最高的准确性 (56.5).
• 与其他模型 (包括Features_CT和PET-CT) 相比,ML_Peri_tumour模型表现出更好的预测性能.

结论:

• ML_Peri_tumour模型在LUAD中显示了STAS的最高预测准确度,为改善手术前评估提供了潜力.
• 需要进行进一步的研究,以提高技术可重现性,并在STAS预测的新兴放射学领域进行全面评估.