机器学习模型的性能和临床影响,用于检测后纵向带的椎骨化:系统性审查

科学领域:

• 脊柱成像分析 脊柱成像分析
• 人工智能在医学中的应用
• 放射学和诊断成像 放射学和诊断成像

背景情况:

• 后纵带带骨化 (OPLL) 是一个关键的脊柱病理.
• OPLL可能导致显著的神经系统缺陷.
• 早期和准确检测OPLL对于患者管理至关重要.

研究的目的:

• 系统地审查机器学习 (ML) 和深度学习 (DL) 模型用于OPLL检测的诊断性能.
• 评估这些AI模型在OPLL诊断中的临床影响.
• 评估目前关于ML/DL在OPLL检测中的应用的证据.

主要方法:

• 在遵守PRISMA指南的基础上进行系统审查.
• 在PubMed/Medline和Scopus数据库中进行了搜索 (2000年1月至2024年7月).
• 包括使用ML/DL模型和用于OPLL检测的成像数据的研究;评估偏差风险和分析性能指标 (精度,灵敏度,特异性,AUC).

主要成果:

• 分析了11项涉及6031名患者的研究.
• ML和DL模型实现了高诊断性能,精度从69.6%到98.9%,AUC高达0.99.
• 卷积神经网络和随机森林是常见的模型;注意到偏差的中等风险,主要是参与者选择和数据完整性.

结论:

• ML和DL模型显示出对准确的OPLL检测有很大的潜力,特别是在与成像相结合时.
• 这些人工智能工具可以提高OPLL的早期诊断和管理.
• 需要对更大,更多样化的群体进行进一步的研究,以确认其临床适用性和通用性.