基于放射学的机器学习用于预测骨髓瘤中新辅助化疗的反应:系统性审查和元分析

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 人工智能的人工智能

背景情况:

• 骨髓瘤 (OS) 是最常见的原发性骨癌.
• 新辅助化疗 (NAC) 改善了生存率,但由于OS异质性,反应有所不同.
• 非侵入性预测NAC反应对于治疗优化至关重要.

研究的目的:

• 系统地审查和元分析基于放射学的机器学习 (ML) 模型的准确性,以预测OS中的NAC响应.
• 评估这些模型的可靠性和性能,使用聚合的灵敏度,特异性和AUC.
• 将仅放射学模型与临床组合模型进行比较.

主要方法:

• 在主要数据库 (PubMed,Embase,Scopus,Web of Science) 进行系统搜索,截至2024年11月.
• 包括使用基于放射学的ML用于OS的NAC响应预测的研究.
• 对聚合的灵敏度,特异性和AUC进行双变随机效应建模;使用QUADAS-2,RQS和METRICS进行质量评估.

主要成果:

• 包括16项研究,12项 (1639名参与者) 在元分析中,主要使用MRI (63%).
• 聚合指标:培训队列 (AUC 0.93,灵敏度 0.89,特异性 0.85);验证队列 (AUC 0.87,灵敏度 0.81,特异性 0.82).
• 临床组合模型的表现优于仅使用放射学模型;放射学研究的质量得分中等.

结论:

• 基于放射学的ML是预测OS中的NAC响应的一个有希望的工具.
• 将放射学与临床数据相结合,可以提高预测性能.
• 需要进一步的研究来解决外部验证和方法一致性的局限性.