机器学习和深度学习模型用于在结直肠癌中术前检测淋巴结转移:系统性审查和元分析

科学领域:

• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 结肠直肠癌 (CRC) 的诊断和分期对于有效的治疗计划至关重要.
• 精确的淋巴结转移 (LNM) 的术前预测对于确定手术的程度和减少复发至关重要.
• 目前的诊断方法在术前精确识别LNM方面存在局限性.

研究的目的:

• 系统地审查和元分析机器学习 (ML) 和深度学习 (DL) 模型的诊断性能,以预测CRC患者的手术前LNM.
• 在LNM预测中,将ML/DL模型与人类放射科医生的性能进行比较.
• 确定影响这些预测模型性能的因素.

主要方法:

• 按照PRISMA-DTA和AMSTAR-2指南进行系统审查和元分析.
• 在主要数据库 (PubMed,科学网,Embase,Cochrane图书馆) 进行全面的文献搜索,直到2024年2月16日.
• 使用QUADAS-2工具进行质量和偏差风险评估,并使用STATA v18中的随机效应模型分析数据.

主要成果:

• 包括12项涉及8321名患者的研究,主要是最近 (2021-2024) 发表的.
• 在ML模型中,LNM预测的AUC总值为0.87,具有78%的灵敏度和77%的特异性,显著超过放射科医生 (P < 0.001).
• 在前性研究 (0.95) 和后性研究 (0.85) 中以及在没有外部验证的研究中观察到更高的AUC. 与T1-T2阶段 (61%) 相比,T2-T4阶段的特异性更高 (95%).

结论:

• ML模型显示了在CRC中准确的手术前LNM分期的显著潜力,有助于治疗决策,并可能减少不必要的手术.
• 这些人工智能驱动的工具可以改善患者的治疗结果,并降低与CRC治疗相关的医疗保健成本.
• 进一步的前性,多中心研究与标准化报告是必要的,以验证这些有前途的发现,并将ML纳入临床实践.