机器学习和深度学习用于诊断腰椎脊柱狭窄症:系统审查和元分析
Tianyi Wang1, Ruiyuan Chen1, Ning Fan1
1Beijing Chaoyang Hospital, Capital Medical University, Beijing, China.
Journal of medical Internet research
|December 23, 2024
概括
人工智能,包括传统的机器学习 (TML) 和深度学习 (DL) 模型,在诊断腰椎缩 (LSS) 方面表现有前途. 然而,当前的人工智能诊断工具需要进一步开发才能获得可靠的临床应用.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 诊断准确性研究 诊断准确性研究
背景情况:
- 腰椎脊柱狭窄症 (LSS) 是老年人疼痛和残疾的一个重要原因.
- 传统的机器学习 (TML) 和深度学习 (DL) 显示出用于LSS诊断的潜力.
- 对LSS诊断的TML和DL模型性能缺乏系统的分析.
研究的目的:
- 系统地审查和对TML和DL模型用于LSS诊断的研究进行元分析.
- 评估这些人工智能模型的异质性和诊断性能.
- 为临床应用提供全面的信息.
主要方法:
- 按照PRISMA指南进行系统审查和元分析.
- 在PubMed,Embase和Cochrane图书馆的数据库中进行了搜索.
- 使用QUADAS-2评估偏差风险;使用Stata (MIDAS,METAPROP模块) 合成数据.
主要成果:
- 包括12项涉及15044名患者的研究.
- 聚合灵敏度:0.84 (95% CI:0.82-0.86),特异性:0.87 (95% CI:0.84-0.90). 这是一个很好的方法.
- 曲线下的面积 (AUC) 为0.92 (95% CI:0.89-0.94),表明具有高诊断价值.
结论:
- 人工智能系统在LSS的实验环境中表现出令人满意的诊断性能.
- 目前的TML和DL模型尚未可靠或实际用于现实世界的临床使用.
- 需要进一步的研究来优化模型,建立标准,并对外部进行验证.
