使用深度学习模型进行前体瘤细分的准确性 - - 系统性审查和元分析
Paweł Łajczak1, Jakub Matyja2, Kamil Jóźwik3
1Department of Biophysics, Faculty of Medical Sciences in Zabrze, Medical University of Silesia in Katowice, Jordana 18, Mekelweg 5, Zabrze, 40-043,, Poland. pawel.lajczak03@outlook.com.
Neuroradiology
|August 23, 2024
概括
深度学习 (DL) 显示出在MRI扫描上自动化前庭神经瘤 (VS) 细分的前景. 这次元分析显示,总体Dice得分很高,表明有效的细分,但强调在未来的研究中需要标准化和减少偏见.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 静脉瘤 (VS) 是一种罕见的瘤,影响诊断和治疗计划.
- 在MRI上使用深度学习 (DL) 对VS的自动细分是一种知识差距的新兴领域.
- 人工智能 (AI) 提供了提高诊断准确性和效率的潜力.
研究的目的:
- 系统地审查和元分析DL算法的性能,用于MR图像中的自动VS细分.
- 确定影响DL模型性能的因素,包括架构和成像协议.
- 提供关于VS诊断中DL的当前状态和未来方向的见解.
主要方法:
- 按照PRISMA指南,在四个数据库中进行了系统的文献搜索.
- 包括使用DL用于VS MR图像细分的研究.
- 主要的绩效指标是子得分,再加上RVE和ASSD.
主要成果:
- 包含56个模型的11项研究被纳入了元分析.
- 整体子得分为0.89,表明有希望的细分精度.
- 亚组分析显示了基于DL架构和MRI输入的变化,对比度增强的T1加权成像显示优势.
结论:
- 本次元分析解决了针对VS细分的DL系统审查中的一个关键缺口.
- 虽然DL显示出高效率,但观察到显著的异质性和出版偏差.
- 未来的研究应该优先考虑标准化的方法,更大的数据集和偏差缓解,以进行强大的验证.
