人工智能在肺癌中预测PD-L1表达和EGFR突变的全面潜力:系统性审查和元分析

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 瘤学和癌症生物标志物
• 诊断精度和预测建模的预测模型.

背景情况:

• 准确预测编程死亡配体1 (PD-L1) 表达和表皮生长因子受体 (EGFR) 突变对于指导肺癌 (LC) 治疗至关重要.
• 人工智能 (AI) 提供了利用成像数据对这些生物标志物的非侵入性预测的潜力.
• 需要对人工智能的方法质量和预测性能进行系统评估.

研究的目的:

• 评估预测肺癌PD-L1表达和EGFR突变的AI研究的方法质量.
• 用各种成像方式 (PET/CT,CT,PET,IHC-WSI) 评估人工智能模型的预测性能.
• 在肺癌中对PD-L1和EGFR进行基于AI的预测进行元分析.

主要方法:

• 45项人工智能研究的系统审查和元分析.
• 包括使用PET/CT,CT,PET和IHC全幻灯片图像 (WSI) 进行预测的研究.
• 使用修改后的诊断准确性研究质量评估 (QUADAS-2) 工具评估方法质量;通过元分析分析预测性表现 (AUC) 和评估异质性 (Cochrane, I2).

主要成果:

• 在45项研究中,有37项研究实现了高方法质量 (QUADAS-2得分为7).
• 在AI预测方面报告了高的整体AUC:PD-L1 (IHC-WSI:0.95,PET/CT:0.80,CT:0.74) 和EGFR (PET/CT:0.85,CT:0.83,PET:0.75).
• 观察到实质性的异质性 (I2 > 50%);将AI与临床病理特征相结合,对PD-L1预测的改善有限,但对EGFR突变预测有所改善.

结论:

• 人工智能在预测肺癌中PD-L1表达和EGFR突变方面表现出有希望的整体性能.
• 人工智能模型,特别是那些使用IHC-WSI用于PD-L1和PET/CT用于EGFR的模型,显示出强大的预测能力.
• 需要进一步的研究来优化人工智能模型,并解决异质性问题,以提高肺癌管理中的临床效用.