机器学习在图像分析中的应用,以识别鼻:系统性审查和元分析
Nozhan Azimi1, Katayoun Talebi Rafsanjan2, Mohammad Mahdi Khanmohammadi Khorami3
1Dentofacial Deformities Research Center, Research Institute for Dental Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Orthodontics & craniofacial research
|April 11, 2025
概括
机器学习 (ML) 模型在从医疗图像中诊断膜缩症时表现出高准确性. 这一系统性审查和元分析证实了ML的存在.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 头骨突,早产的头骨合,带来神经发育和美学风险.
- 早期诊断和治疗对于管理关突症至关重要.
- 目前的诊断方法需要评估,以提高准确性和效率.
研究的目的:
- 系统地审查和对机器学习 (ML) 模型进行元分析,以诊断部突症.
- 用照片和X射线图来评估ML模型的诊断准确性 (灵敏度,特异性,诊断概率比).
- 评估ML在突诊断中的临床适用性.
主要方法:
- 在PubMed,科学网和Scopus上进行系统的文献搜索.
- 包括在人类图像中使用ML来诊断突的研究.
- 使用 QUADAS-2 的质量评估和使用双变随机效应模型的元分析.
- 在评估证据确定性时使用GRADE方法.
主要成果:
- 对17项研究的元分析显示了高诊断性能.
- 聚合灵敏度:97% (95% CI: 94%-98%),特异性:97% (95% CI: 94% - 99%). 总体灵敏度:97% (95% CI: 94% - 99%). 综合灵敏度:97% (95% CI: 94% - 98%),特异性:97% (95% CI: 94% - 99%). 聚合灵敏度:97% (95% CI: 94% - 99%). 聚合灵敏度:97% (95% CI: 94% - 99%),特异性:97% (95% CI: 94% - 99%).
- 曲线下的面积 (AUC):0.99 (95% CI:0.98-1.00),诊断几率比:1131 (95% CI:290-4419). 在该曲线下面的面积 (AUC):0.99 (95% CI:0.98-1.00),诊断几率比:1131 (95% CI:290-4419).
结论:
- 机器学习模型表现出高效率和适用性,用于诊断突.
- ML方法显示出作为骨突症的诊断工具的巨大潜力.
- 这些发现支持在临床实践中考虑ML模型来检测骨突.
