在肝细胞癌诊断中,基于机器学习算法的放射学对分类指标的系统审查和元分析

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 瘤学和诊断技术的发展
• 医疗保健中的机器学习

背景情况:

• 肝细胞癌 (HCC) 的诊断依赖于准确和及时的检测.
• 人工智能 (AI) 和放射学为提高诊断能力提供了有希望的途径.
• 现有研究表明,人们对用于HCC预测的机器学习越来越感兴趣.

研究的目的:

• 系统地审查和元分析机器学习驱动的放射学在诊断HCC的性能.
• 评估关键的分类指标,包括AUC,准确性,敏感性和特异性.
• 为了确定最佳的机器学习模型和特征选择方法用于HCC诊断.

主要方法:

• 在PubMed,ScienceDirect和Scopus (2018-2022) 进行了系统的文献搜索.
• 在选择研究时遵循了PRISMA指南,产生了34篇文章.
• 使用Jamovi进行了12项队列研究的元分析,以评估分类的准确性.

主要成果:

• 分析表明,HCC预测的高聚合性绩效指标.
• 关键发现包括AUC为0.86,准确度为0.83,灵敏度为0.80,特异性为0.84.
• 后勤回归与LASSO特征选择成为一个非常合适的模型.

结论:

• 机器学习驱动的放射学显示了HCC检测的有利预测性能.
• 从医疗图像中提取的放射特征足以用于基于AI的HCC差异化.
• 整合临床特征进一步增强了预测能力,支持临床决策.