基于机器学习的磁共振成像模型在乳腺癌分类中的诊断准确性:系统性审查和元分析

科学领域:

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

背景情况:

• 准确区分良性与恶性乳腺病变对于有效的患者管理和治疗策略至关重要.
• 磁共振成像 (MRI) 是乳腺损伤特征的一个关键模式,但解释可能具有挑战性.
• 机器学习 (ML) 通过分析复杂的成像模式,有可能提高MRI的诊断性能.

研究的目的:

• 进行元分析,评估基于ML的MRI模型的诊断准确性,以对乳腺病变进行分类.
• 确定影响这些ML模型在区分良性和恶性乳腺病变方面的表现的因素.
• 评估ML增强型MRI在乳腺癌诊断中的临床实用性.

主要方法:

• 在主要数据库 (PubMed,Embase,Cochrane Library,Scopus,Web of Science) 进行系统的文献搜索,寻找符合条件的研究.
• 包括12项研究 (来自3,739个记录) 发表到2024年8月.
• 使用双变量模型计算聚合的灵敏度,特异性和曲线下的面积 (AUC);通过QUADAS-2进行质量评估.

主要成果:

• 聚合灵敏度为0.86 (95% CI:0.82-0.90) 和聚合特异性为0.82 (95% CI:0.78-0.86),总体AUC为0.90 (95% CI:0.85-0.90).
• 与原始贝叶斯模型相比,支持向量机 (SVM) 分类器表现出优异的性能.
• 模型性能的异质性与不同研究中使用的MRI设备的变化有显著关联 (P=0.037).

结论:

• 基于ML的MRI模型对乳腺癌的分类具有很高的诊断准确性,支持它们在查和诊断中的辅助作用.
• 这些发现强调了AI在改善乳腺病变特征方面的临床潜力.
• 建议对协议和MRI设备进行标准化,以提高ML模型性能的通用性和可靠性.