在甲状腺癌中预测淋巴结转移:基于CT/MRI的放射学和深度学习模型的系统审查和元分析
Parya Valizadeh1, Payam Jannatdoust1, Delaram J Ghadimi2
1School of Medicine, Tehran University of Medical Sciences, Tehran, Iran.
Clinical imaging
|January 1, 2025
概括
放射学和深度学习 (DL) 对预测甲状腺癌中淋巴结转移有希望. 需要进一步的研究来优化这些先进的成像技术,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 内分泌学 在内分泌学.
背景情况:
- 甲状腺癌的发病率正在上升,淋巴结转移 (LNM) 显著影响患者的预后.
- 准确预测LNM对于有效的治疗计划和改善生存率至关重要.
- 目前的诊断方法面临的挑战是,在实现LNM检测的最佳准确性方面.
研究的目的:
- 系统地审查和分析放射学和深度学习 (DL) 模型的诊断性能,用于在甲状腺癌中进行术前淋巴结转移 (LNM) 评估.
- 评估基于CT/MRI的放射学和DL方法在预测LNM方面的有效性.
- 确定影响这些预测模型准确性的因素.
主要方法:
- 对2024年2月15日之前发表的研究进行了系统审查和元分析.
- 在包括PubMed,Scopus,Web of Science和Embase在内的主要数据库中进行了搜索.
- 包括开发基于CT/MRI的放射学和/或DL模型用于甲状腺癌手术前LNM评估的研究,并使用R软件分析数据.
主要成果:
- 对16项研究的分析显示,聚合灵敏度为81.1% (内部验证) 和84.4% (训练集),特异性分别为76.4%和84.7%.
- 曲线下的综合面积 (AUC) 在内部验证方面为86%,在培训套件方面为87%.
- 与手工制作的放射学相比,深度学习模型的灵敏度 (80.8%) 和特异性 (78.7%) 略高于手工制作的放射学 (79.4%的灵敏度,69.2%的特异性);结合临床数据的模型显示显著改善 (p=0.037).
结论:
- 放射学和DL模型显示出在甲状腺癌中检测淋巴结转移的显著潜力,特别是乳头甲状腺癌 (PTC).
- 虽然有希望,但研究中的异质性凸显了标准化和进一步研究的必要性.
- 优化这些先进的成像工具是提高诊断准确性和治疗甲状腺癌的临床实用性至关重要的.
