深度学习模型在预测质瘤分子标记物的诊断准确性:系统性审查和元分析
Somayeh Farahani1,2,3, Marjaneh Hejazi1, Sahar Moradizeyveh3
1Department of Medical Physics and Biomedical Engineering, School of Medicine, Tehran University of Medical Sciences, Tehran 14618-84513, Iran.
Diagnostics (Basel, Switzerland)
|April 12, 2025
概括
深度学习模型显示出预测质瘤分子标记物的潜力,使用MRI进行非侵入性预测. 然而,研究变异阻碍了临床使用,需要数据协调和外部验证以提高准确性.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 与放射学相结合,为预测质瘤分子标记提供了一种非侵入性方法.
- 对分子标记物的准确预测对于个性化质瘤治疗至关重要.
研究的目的:
- 评估DL模型在预测MRI中的质瘤分子标记物的诊断准确性.
- 确定导致DL模型性能异质性的因素.
主要方法:
- 在主要数据库中按照PRISMA指南进行系统的文献搜索.
- 使用QUADAS-2和放射学质量评分 (RQS) 进行质量评估.
- 双变随机效应模型用于聚合灵敏度和特异性分析.
主要成果:
- 在元分析中包含了30项研究;DL模型对MGMT甲基化,ATRX和TERT突变的预测准确度有希望.
- 对于MGMT甲基化的聚合灵敏度:0.74,特异性:0.75.
- 对于ATRX的聚合灵敏度:0.79,特异性:0.85;TERT:灵敏度:0.81,特异性:0.70.
- 超回归确定了数据源,MRI序列和验证作为异质性的来源.
结论:
- DL模型显示了通过MRI进行非侵入性质瘤分子标志物预测的潜力.
- 研究方法的变化使临床翻译变得复杂.
- 未来的研究应该优先考虑多中心数据协调,外部验证和开源实践.
