人工智能检测和细分模型:在磁共振成像中对脑瘤进行系统审查和元分析
Ting-Wei Wang1,2, Yu-Chieh Shiao2, Jia-Sheng Hong1
1Institute of Biophotonics, National Yang-Ming Chiao Tung University, Beitou, Taipei, Taiwan.
Mayo Clinic proceedings. Digital health
|April 10, 2025
概括
深度学习模型显示,使用MRI进行脑瘤检测和细分是有前途的. 硬件和瘤类型等因素会影响人工智能的通用性,因此需要进一步研究以改善瘤患者的护理.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于瘤学.
- 神经成像分析分析 神经成像分析
背景情况:
- 深度学习算法越来越多地用于脑瘤检测和细分.
- 这些人工智能 (AI) 模型在各种数据集中的通用性仍然是一个挑战.
- 磁共振成像 (MRI) 是大脑瘤分析的一个关键模式.
研究的目的:
- 综合分析影响深度学习模型在脑瘤检测和细分中的概括能力的因素.
- 使用外部验证数据集评估各种AI算法的性能.
- 确定影响临床神经成像模型可靠性的关键因素.
主要方法:
- 在PubMed,Embase,Web of Science,Cochrane图书馆和IEEE进行了系统的文献搜索,截至2023年7月25日.
- 包括19项涉及12,000名患者的研究,使用MRI进行脑瘤检测/细分与外部验证.
- 使用QUADAS-2和CLAIM工具评估了研究质量,并对敏感度和Dice分数等绩效指标进行了元分析.
主要成果:
- 性能最好的算法获得了84%的病变智能的Dice得分和87% (患者智能) 和86% (病变智能) 的综合灵敏度.
- 磁力共振成像硬件和制造商影响了数据集多样性和AI模型通用性.
- 三维 (3D) 模型的性能优于二维和整体方法;性能因瘤类型而异,可能是由于尺寸差异.
结论:
- 深度学习对提高脑瘤诊断和治疗规划具有重大潜力.
- 需要进一步的研究,包括开发多样性指数和利用生成对抗网络来增强数据.
- 人工智能驱动的进步对于改善瘤患者护理至关重要.
