进步诊断:对人工智能方法进行元分析,以检测间接性发性泄漏

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 间接性发性排泄 (IED) 是诊断的关键生物标志物.
• 目前用于IED的脑电图 (EEG) 的视觉分析需要大量的时间和专家.
• 需要自动化IED检测方法来更快,更准确地诊断.

研究的目的:

• 评估深度学习 (DL) 和经典机器学习 (ML) 算法的性能,用于对IED检测的EEG段进行分类.
• 评估这些算法的能力,以区分带有IED和没有IED的EEG段.
• 使用不同的验证策略来比较DL和ML模型的性能.

主要方法:

• 按照PRISMA指导方针对PubMed,Embase和Web of Science进行系统的文献搜索.
• 对23项符合条件的研究进行元分析,包括3629名患者,重点关注二进制细分类别.
• 使用QUADAS-2进行偏差风险评估,并使用R软件对敏感性和特异性的元分析.

主要成果:

• 18个模型专注于排放级别的分类,6个模型专注于整个EEG分类.
• 在外部数据集 (>50名患者) 上验证的IED级分类模型实现了84.9%的灵敏度和68.7%的特异性.
• 分析表明,内部验证 (90.4%的灵敏度,99.6%的特异性) 与外部验证 (78.1%的灵敏度,80.1%的特异性) 的性能更高.

结论:

• 与外部数据集验证的模型相比,通过重新采样方法验证的模型表现出更高的性能.
• 由于有限地使用可靠的外部验证技术,大量的车型表现出过度装配.
• 改进的验证策略对于开发可靠的自动化IED检测系统至关重要.