CT中的人工智能用于预测皮状甲状腺癌患者的宫淋巴结转移:一个元分析
Sixun Zeng1, Yingxian Liu1, Xinyi Duan1
1School of Basic Medical Sciences, Chengdu University of Traditional Chinese Medicine, Chengdu, Sichuan, China (S.Z., Y.L., X.D., X.Z., F.Z.).
Academic radiology
|February 25, 2025
概括
人工智能 (AI) 在检测皮质甲状腺癌 (PTC) 中的宫淋巴结转移 (LNM) 方面表现与放射科医生相当. 深度学习人工智能模型为LNM诊断提供了更高的灵敏度.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 乳头甲状腺癌 (PTC) 是最常见的甲状腺恶性瘤类型.
- 宫淋巴结转移 (LNM) 是PTC的关键预后因素.
- 精确检测LNM对于有效的治疗计划和患者管理至关重要.
研究的目的:
- 评估基于计算机断层扫描 (CT) 的人工智能 (AI) 在诊断PTC患者宫LNM的诊断性能.
- 将AI的诊断精度与放射科医生的诊断精度进行比较.
主要方法:
- 在PubMed,Embase和Web of Science数据库中进行了系统的文献搜索.
- 包括评估基于CT的AI模型用于病理确认PTC的宫LNM诊断的研究.
- 使用双变随机效应建模,将灵敏度,特异性和AUC结合起来;使用修改后的QUADAS-2工具评估方法质量.
主要成果:
- 分析包括17项研究,其中包括1778名 (内部验证) 和4072名 (外部验证) 患者的数据.
- 基于CT的AI在内部验证组中显示了0.80的聚合灵敏度,0.79的特异性和0.86的AUC.
- 人工智能性能与放射科医生 (AUC 0.85) 相似,深度学习模型的灵敏度明显高 (0.86) 比机器学习模型 (0.72).
结论:
- 基于CT的AI显示了与放射科医生在PTC中检测宫LNM的诊断性能相似的诊断性能.
- 深度学习人工智能模型显示,在LNM检测中提高灵敏度是有前途的.
- 人工智能可能成为一种有价值的诊断支持工具,但建议进一步进行前性验证.
