预测急性缺血性中风中的出血转变:基于CT/MRI的深度学习和放射学模型的系统审查,元分析和方法质量评估

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 急性缺血性中风 (AIS) 是导致死亡和残疾的主要原因.
• 出血转化 (HT) 是AIS的一个严重并发症,需要准确的预测才能有效治疗.
• 目前的预测方法需要加强,以获得最佳的临床决策.

研究的目的:

• 系统地审查和元分析深度学习 (DL) 和放射学模型在预测AIS患者HT中的准确性.
• 为了比较DL,放射学和组合模型的性能.
• 评估这些基于成像的AI模型对临床决策支持的有用性.

主要方法:

• 在五个主要数据库中进行了全面的文献搜索,截至2025年1月.
• 包括使用DL或基于放射学的机器学习模型用于AIS中HT预测的研究.
• 用随机效应模型进行了元分析,用于培训,验证和临床联合队列的敏感性,特异性和AUC.

主要成果:

• 分析包括了16项研究,共有3083名参与者.
• 聚合的AUC为培训的0.87,验证的0.87,临床组合模型的0.93.
• 深度学习模型的表现优于放射学模型;临床组合模型的表现优于仅DL和仅放射学模型.

结论:

• DL和放射学显示出在AIS患者中预测HT的显著潜力.
• 将成像AI与临床数据集成的临床组合模型提供了最高的预测准确度.
• 解决方法上的局限性,包括不一致的标准和外部验证,对于临床实施至关重要.