使用MRI-based radiomics进行侵袭性子宫内膜癌的术前风险评估:系统性审查和元分析

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 精确的术前评估子宫内膜癌 (EC) 侵袭性对于有效的临床管理至关重要.
• 图像衍生机器学习 (ML) 在增强诊断成像能力方面显示出前景.
• 磁共振成像 (MRI) 是评估EC特征的关键方式.

研究的目的:

• 评估人工智能 (AI) 的诊断性能,使用MRI数据进行手术前评估EC侵入性风险.
• 为了确定MRI衍生的ML在预测关键EC预后因素的准确性.

主要方法:

• 使用主要科学数据库 (PubMed,Embase,Cochrane图书馆,Web of Science) 进行了相关研究的系统审查和元分析.
• 计算了聚合的灵敏度,特异性,诊断几率比率和概率比率.
• 总结接收器操作特征 (SROC) 曲线被生成,而元回归分析探索异质性.

主要成果:

• 基于MRI的放射学证明了高聚合的灵敏度和特异性,用于预测高度EC,深度肌肉侵入 (DMI),淋巴血管空间入侵 (LVSI),微卫星不稳定性 (MSI) 和淋巴结转移 (LNM).
• 具体的聚合性能指标包括:高档EC的0.85/0.82,DMI的0.80/0.85,LVSI的0.85/0.73,MSI的0.79/0.85和LNM的0.90/0.72.
• 超回归表明图像细分和放射学建模影响了LVSI和高档EC预测中的异质性.

结论:

• 手术前的MRI衍生ML为临床医生提供了一种有价值的工具,以准确评估EC风险因素.
• 这种人工智能驱动的方法可能会指导子宫内膜癌患者的个性化治疗决策.
• 这些发现支持将ML集成到放射学工作流程中,以改善EC管理.