基于放射学的机器学习对内动脉瘤破裂状态的诊断和预测价值:系统性审查和元分析
Jianguo Zhong1, Yu Jiang2, Qiqiang Huang3
1The First Clinical Medical College of Gannan Medical University, Ganzhou, 341000, Jiangxi, China.
Neurosurgical review
|November 11, 2024
概括
基于放射学的机器学习在检测破裂的内动脉瘤 (IA) 方面显示出前景. 虽然准确的诊断,它的预测能力IA破裂需要进一步验证.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 人们对临床应用的放射学越来越感兴趣.
- 需要有系统的证据,用于内动脉瘤 (IA) 破裂状态检测的放射学.
研究的目的:
- 评估基于放射学的机器学习用于早期IA破裂检测的诊断性能.
- 提供基于证据的建议,用于IA断裂评估中的放射学应用.
主要方法:
- 对研究进行系统审查和元分析,截至2024年3月2日.
- 在PubMed,Cochrane,Embase和科学网上进行了搜索.
- 使用Radiomics质量评分 (RQS) 评估偏差风险.
主要成果:
- 包括15项研究,包括9111例IA病例.
- 放射学表明了高的诊断性能:灵敏度为0.84,特异性为0.82.
- 对预测性能的证据有限 (灵敏度为0.77-0.89,特异性为0.69-0.87).
结论:
- 基于放射学的机器学习在识别IA断裂状态方面显示出有希望的准确性.
- 预测能力的证据有限,需要进一步研究.
- 未来的研究应该验证IA断裂预防策略的预测模型.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
