淋巴瘤组织病理学中的人工智能:系统性审查

科学领域:

• 医疗信息学 医疗信息学
• 计算病理学计算病理学
• 在瘤学瘤学.

背景情况:

• 人工智能 (AI) 在淋巴瘤诊断,预后和基因预测方面显示出潜力.
• 对于评估AI模型偏见和在淋巴瘤研究中的临床实用性存在关键需求.

研究的目的:

• 系统地评估针对淋巴瘤组织病理学发表的AI模型中的偏差.
• 评估综合人工智能模型对淋巴瘤诊断和预后的临床实用性.

主要方法:

• 一个系统的文献审查遵循了PRISMA 2020指南,搜索了PubMed,Cochrane图书馆和科学网.
• 预测模型偏差风险评估工具 (PROBAST) 用于评估41个AI模型中的偏差.
• 用于淋巴瘤诊断,预后和基因预测的人工智能模型的数据被系统地表格化.

主要成果:

• 所有41个包括的人工智能模型都表现出高或不清楚的偏差风险,主要是由于参与者选择和统计分析的不完整报告.
• 内部验证显示曲线下的面积 (AUC) 范围为0.75-0.99;外部验证的AUC范围为0.93-0.99.
• 常被研究的淋巴瘤亚型包括扩散的大B细胞淋巴瘤,卵泡淋巴瘤和慢性淋巴细胞白血病.

结论:

• 当前的淋巴瘤人工智能模型中普遍存在方法偏差,影响了它们的临床转化.
• 提高人工智能的准确性和临床实用性需要全面的报告,多样化的数据集,透明的模型和严格的验证.