超越基因组学:用于不确定的甲状腺结节的人工智能驱动的诊断 - 一个系统的审查和元分析
Karishma Jassal1,2, Melissa Edwards1, Afsaneh Koohestani1,2
1Monash University Endocrine Surgery Unit, Alfred Hospital, Melbourne, VIC, Australia.
Frontiers in endocrinology
|May 20, 2025
概括
人工智能 (AI) 对分类无确定的甲状腺结节 (ITNs) 有希望,但需要进一步开发用于临床使用. 目前的人工智能模型表现中等至良好,但在在手术前诊断中广泛采用之前需要强有力的验证.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 甲状腺学 甲状腺学
背景情况:
- 不确定的甲状腺结节 (ITNs) 在临床甲状腺学中构成诊断挑战,影响手术决策.
- 基因组测序分类器 (GSC) 有助于ITN诊断,但面临成本和可访问性的障碍,造成了公平差距.
- 人工智能 (AI) 工具越来越多地被用于甲状腺超声波 (USG) 分类,旨在改善手术前诊断.
研究的目的:
- 系统地审查和分析当前关于人工智能工具的证据,以诊断ITN而不依赖GSC.
- 评估AI模型的诊断准确性和临床适用性,用于ITN的手术前评估.
- 确定ITN诊断人工智能的局限性和未来发展领域.
主要方法:
- 在PubMed,谷歌学者和Scopus上进行了系统的文献搜索,截至2025年2月18日.
- 包括的研究评估了AI对ITN的诊断准确性,重点是不使用GSC的模型.
- 从包含的AI模型中对曲线下的面积 (AUC) 结果进行了元分析,遵守了Cochrane协作指南.
主要成果:
- 七项研究提出了20个人工智能模型,包括放射学,自然语言处理和细胞学专注的方法.
- 15个模型的聚合元分析得出了0.82的AUC,表明机器学习 (ML) 和深度学习 (DL) 架构的分类性能中等至良好.
- 特别是在DL模型 (AUC=0.85) 中发现了实质性的异质性,而ML模型显示了最小的异质性 (AUC=0.75). 超回归表明了潜在的出版偏差或模型设计和验证中的系统差异.
结论:
- 人工智能显示出有很大的潜力来帮助ITN的临床决策,为GSCs提供了一个有前途的替代方案.
- 当前的人工智能模型虽然表现良好,但由于性能限制和缺乏强大的外部验证,它们还不适合广泛的临床实施.
- 进一步的研究和开发对于提高AI模型的稳定性,通用性和在甲状腺结节的手术前诊断中的临床实用性至关重要.
