机器学习模型在使用低级结质瘤成像数据预测BRAF变化的表现:系统审查和元分析

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 基因组医学是基因组医学.

背景情况:

• BRAF的变化对于预测低度质瘤 (LGG) 行为至关重要,影响预后和管理.
• 在手术前识别BRAF变化可以显著改进临床策略.
• 人工智能 (AI) 为瘤学中的预测建模提供了先进的工具.

研究的目的:

• 系统地审查人工智能模型在LGG预测BRAF变化的表现.
• 评估机器学习和深度学习模型,使用成像数据进行BRAF变化预测.
• 为AI在这个诊断领域的能力提供全面的分析.

主要方法:

• 在PubMed/MEDLINE,Embase和Cochrane图书馆进行系统的文献搜索,截至2024年6月1日.
• 聚合灵敏度,特异性和接收器操作曲线 (AUROC) 下的面积的元分析.
• 包括6项研究,包括951名患有低度质瘤的患者.

主要成果:

• 在内部验证中表现最好的AI模型的AUROC总和为84.44%.
• 模型在检测BRAF突变 (90.75%),BRAF融合 (84.59%) 和从突变中检测BRAF融合 (82.33%) 中实现了高AUROC.
• 聚合的灵敏度和特异性表明,对于各种BRAF变化类型的强有力的预测能力.

结论:

• 人工智能模型表明,从成像数据中预测LGG中的BRAF变化具有相当大的潜力.
• 这些模型具有很高的灵敏度和特异性,支持它们的临床实用性.
• 需要进一步研究更大的队列和多样化的AI算法来提高精度.