机器学习用于预测T1结直肠癌中淋巴结转移的应用:系统性审查和元分析

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 精确预测淋巴结转移 (LNM) 对T1结直肠癌 (CRC) 治疗决策至关重要.
• 目前针对T1 CRC的手术指南缺乏准确性.
• 机器学习 (ML) 和深度学习 (DL) 模型可能会提高LNM预测的准确性.

研究的目的:

• 评估ML和DL模型的诊断准确性,用于T1CRC患者的LNM预测.
• 为了比较ML/DL模型的性能与他的病理学发现.

主要方法:

• 在PubMed,Embase和Cochrane数据库中进行了系统的文献搜索 (截至2022年4月30日).
• 研究重点是ML/DL在T1CRC中用于LNM预测的应用,不包括放射性方面.
• 分析包括七项追溯性研究,涉及33,199名T1 CRC患者.

主要成果:

• 淋巴结转移 (LNM) 在9.6%的患者中存在 (3,173/33,199).
• 对于LNM预测,ML和DL模型实现了0.944的综合灵敏度和0.877的特异性.
• 由于使用六种不同的ML/DL模型,观察到显著的异质性.

结论:

• ML和DL模型在预测T1CRC中的LNM方面具有很高的灵敏度和特异性.
• 这些人工智能方法显示出作为LNM的诊断工具的希望.
• 需要进一步开发强大的算法,以便在T1 CRC中可靠的手术前LNM预测.