基于放射学的机器学习来确定MYCN在儿童神经母细胞瘤中的放大状态:系统性审查和元分析
Haoru Wang1, Yi Ji2,3, Xin Chen1
1Department of Radiology, Children's Hospital of Chongqing Medical University, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing Key Laboratory of Pediatrics, Chongqing, China.
Technology in cancer research & treatment
|July 7, 2025
概括
放射学表明,它有望在神经母细胞瘤中非侵入性检测MYCN放大,这是不良预后的标志. 虽然研究质量各不相同,但聚合分析表明诊断准确度很好,这表明临床使用的潜力.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 神经母细胞瘤中MYCN基因放大是瘤细胞增殖的关键驱动因素,也是预后不佳的标志物.
- 确定MYCN放大状态的非侵入性方法对于治疗规划和患者管理至关重要.
- 放射学,从医学图像中提取定量特征,已成为这种非侵入性评估的有希望的方法.
研究的目的:
- 量化评估基于放射学的机器学习模型的诊断准确性,以确定神经母细胞瘤中MYCN放大.
- 批判性地评估现有研究的方法质量,使用放射学来检测MYCN放大.
主要方法:
- 在主要数据库 (PubMed,Embase,Web of Science,Cochrane Library) 进行系统的文献搜索,寻找2000年1月1日至2024年6月30日之间发表的研究.
- 包括专注于神经母细胞瘤中MYCN放大放射学研究的研究,使用RQS,METRICS和QUADAS-2工具评估方法质量.
- 对符合条件的研究的验证性能进行元分析,重点关注聚合的诊断准确度指标.
主要成果:
- 包括9项涉及851名患者的研究;7项涉及217名患者的研究有资格进行元分析.
- 方法质量评估显示出差异性,大多数研究的偏差风险较低或不清楚.
- 聚合分析表明诊断准确度高:灵敏度为0.78,特异性为0.92,AUC为0.94,表明具有重大潜力.
结论:
- 基于放射学的机器学习模型显示出相当有前途的非侵入性工具,用于检测神经母细胞瘤中MYCN放大.
- 尽管研究设计和质量存在差异,但综合诊断绩效令人鼓舞.
- 在更大的多中心研究中进行进一步的验证对于改善和确认这些放射学模型的临床适用性至关重要.
