在外界验证和临床上有用的机器学习算法来支持瘤学中患者相关的决策:一个范围审查

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 机器学习 (ML) 模型越来越多地应用于癌症患者护理.
• 外部验证的ML模型需要系统地映射以了解它们的性能和临床实用性.
• 对ML模型,癌症类型和临床决策的综合证据对于识别研究差距至关重要.

研究的目的:

• 在癌症患者护理中系统地绘制外部验证的基于ML的模型.
• 量化这些ML模型的性能和临床实用性.
• 检查ML模型,癌症类型和临床决策之间的关系.

主要方法:

• 根据乔安娜·布里格斯研究所的方法和PRISMA-Scoping指南进行范围审查.
• 在Embase,IEEE Xplore,PubMed,Scopus和Web of Science中进行搜索 (2014年1月至2022年9月).
• 包括Q1期刊,英语,关于ML的定量研究,用于人类癌症患者的结果,并进行外部验证和临床实用性评估.

主要成果:

• 56项研究 (2018-2022) 符合纳入标准,涵盖了各种癌症.
• 卷积神经网络是最普遍的,表现出高性能;肺癌和消化系统癌症是最受研究的.
• 临床实用性评估显示,在人工智能协助下,临床医生的表现得到了改善.

结论:

• 越来越多的人对ML的兴趣和多机构的合作,用于瘤学决策.
• 挑战包括样本规模小,国际验证有限,数据共享不一致,校准报告不足等.
• 为了成功的ML集成,需要标准化数据,方法,更大的样本大小,透明度和强大的验证.