基于MRI的深度学习模型,用于预测质瘤患者的1p/19q代选择状态:对诊断测试准确性研究的系统审查和元分析

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 1p/19q代选择是质瘤的一个关键预后标志物.
• 准确预测这种状态对于治疗分层至关重要.
• 目前的方法可能具有侵入性或缺乏精度.

研究的目的:

• 系统地审查和元分析使用磁共振成像 (MRI) 预测质瘤中的1p/19q代选择状态的深度学习 (DL) 模型的性能.
• 评估这些人工智能驱动模型的诊断准确性.

主要方法:

• 在PubMed,科学网络,Embase和Scopus上进行系统的文献搜索.
• 包括端到端的DL模型来预测质瘤1p/19q共选择.
• 使用 QUADAS-2 METRICS 的质量评估;汇集诊断估计和异质性的计算 (I2).
• 亚组,敏感性和出版偏差分析 (迪克斯的漏斗图).

主要成果:

• 包括20项研究,其中两项研究质量不佳.
• 十项研究的元分析显示,聚合灵敏度为0.77,特异性为0.85,AUC为0.89.
• 诊断概率比率和赔率比率表明了良好的歧视性表现.
• 细分方法在子组分析中显著影响了模型性能.

结论:

• 深度学习模型在预测MRI中的质瘤1p/19q代选择状态方面表现出高准确性.
• 这些人工智能工具为非侵入性瘤表征提供了潜力.
• 它们可能有助于为质瘤患者选择最佳的治疗策略.